[pytorch] 图像识别之ohem loss (+mixup/cutmix)

最新推荐文章于 2024-08-08 07:32:27 发布

MachineLP

最新推荐文章于 2024-08-08 07:32:27 发布

阅读量1.6k

点赞数

分类专栏： Deep learning 比赛方案总结文章标签：图像识别 ohem loss mixup/cutmix

本文链接：https://blog.csdn.net/u014365862/article/details/104216147

版权

比赛方案总结同时被 2 个专栏收录

11 篇文章 91 订阅 ¥39.90 ¥99.00

订阅专栏

Deep learning

175 篇文章 13 订阅

订阅专栏

这篇博客探讨了如何在PyTorch中使用在线hard example mining（OHEM）损失函数，并结合mixup和cutmix数据增强技术来提升图像识别的性能。作者分享了Kaggle上的相关讨论链接。

摘要由CSDN通过智能技术生成

本人kaggle分享链接：https://www.kaggle.com/c/bengaliai-cv19/discussion/128637

def ohem_loss( rate, cls_pred, cls_target ):
    batch_size = cls_pred.size(0) 
    ohem_cls_loss = F.cross_entropy(cls_pred, cls_target, reduction='none', ignore_index=-1)

    sorted_ohem_loss, idx = torch.sort(ohem_cls_loss, descending=True)
    keep_num = min(sorted_ohem_loss.size()[0], int(batch_size*rate) )
    if keep_num < sorted_ohem_loss.size()[0]:
        keep_idx_cuda = idx[:keep_num]
        ohem_cls_loss = ohem_cls_loss[keep_idx_cuda]
    cls_loss = ohem_cls_loss.sum() / keep_num
    return cls_loss

了解本专栏