loss低但精确度低_目标检测Loss大盘点

最新推荐文章于 2024-04-10 11:05:12 发布
最新推荐文章于 2024-04-10 11:05:12 发布
阅读量2.1k 收藏 1
点赞数
文章标签： loss低但精确度低
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42126399/article/details/112071224
版权
↑ 点击 蓝字  关注极市平台 613e8d7feb56e9855c165924d44fd063.gif 作者丨Augus@知乎 来源丨https://zhuanlan.zhihu.com/p/235533342 编辑丨极市平台

极市导读

 

本文整理了Focal Loss、IOU Loss、GIOU Loss等的多种loss的相关信息，包括公式表示、优缺点和相关论文等方面的内容。>>加入极市CV技术交流群，走在计算机视觉的最前沿

L2, L1, smooth L1

表示 e396060d469aa73942642c924c2e435e.png smooth L1 loss 相对于 L2 loss的优点：当预测框与 ground truth 差别过大时，梯度值不至于过大；当预测框与 ground truth 差别很小时，梯度值足够小。

Focal Loss

动机在one-stage检测算法中，会出现正负样本数量不平衡以及难易样本数量不平衡的情况，为了解决则以问题提出了focal loss。hit的检测框就是正样本。容易的正样本是
最低0.47元/天 解锁文章
似蜉蝣
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
训练过程中常见问题总结
laolu1573的专栏
10-27 5388
问题1：Loss下降，但accuracy(或auc)不升。 解答：正常，Loss和acc计算方式不同，是两个完全不同的东西。acc只关心预测正确，而不关心正确的程度（比如预测狗和猫，不论模型预测是猫的概率是51%还是99%，对acc来说是一样的）。但是loss函数(如cross_entropy_loss)考虑了预测的正确程度。所以会出现预测正确的数量不变，但是正确的置信度越来越高了。 问题2：Lo...
常见损失下降，精度不升问题
热门推荐
weixin_46702712的博客
11-12 1万+
损失函数一直在下降，为什么识别率上不去。 1.最常见的原因：过拟合 过拟合值得单独开个章节。主要包括 1.数据量小，网络复杂 2.learning rate 比较高，又没有设置任何防止过拟合的机制 解决方法主要包括 1.简化模型，利用现有深度学习手段增加数据（翻转，平移，随机裁剪，imgaug） 2.利用 dropout...
损失值越大越好还是逐渐减小越好？
最新发布
seasonsyy的博客
04-10 947
损失值越大越好还是逐渐减小越好？
目标检测-损失函数Loss
helloworld_Fly的博客
06-05 3210
目标检测一直是计算机视觉中最基本的问题之一，它包括目标分类和目标定位两个子任务。 当前最先进的二阶段目标检测器(例如，Cascade R-CNN，MASk R-CNN和Dynamic R-CNN)依赖于边bbox回归(BBR)模块来定位对象；对于单阶段目标检测器（例如，YOLO，SSD）则依靠BBR来定位。所以说，一个设计良好的损失函数对BBR的成功至关重要。到目前为止，BBR的损失函数主要分为两类:通过边框点来计算，比较多得是L1范数，例如：通过交并面积计算，例如：损失函数怎么来的，由我们需要的性质反推而
PRN（20200908）：Frosting Weights for Better Continual Training
昔风不起，唯有努力生存！
09-08 589
Zhu, Xiaofeng, et al. “Frosting Weights for Better Continual Training.” 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). IEEE, 2019. 1. 问题背景 问题依旧是解决深度学习灾难性遗忘问题，详见深度学习之灾难性遗忘问题与PRN（20200816）：A Hierarchical Deep Convolutio
人脸表情识别PaddlePaddle学习3
qq_41271475的博客
07-19 1033
epoch10，batchsize8.。。0.71 epoch10，bs16 准确度降低到0.63 epoch15，bs8 0.77 epoch20，bs8 0.81 loss和accuracy之间存在关系，但并不对等；从模型角度出发，loss是衡量标准；但是好的模型最终还是要提现到accuracy上。 学习成绩打比方, loss是全班平均分, accuracy是90分以上的比率 简单来说loss是给深度学习看的，用来优化参数，实现梯度下降。acc是给人看的，用来衡...
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 4960
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
path_loss_and_shadowing.rar_loss_path loss_wireless channel_信道衰落
07-15
详细直观介绍了无线信道的各种衰落阴影的影响与原因，并做了比较
snr_loss_窗函数损失_loss_计算信噪比损失_
09-30
针对窗函数造成的信噪比损失的计算，有问题的可以联系我
loss_loss_unet分割_UNet_
10-03
Unet实现语义分割，对于初学在帮助很大
plot_PL_general.rar_Different_pathloss_pathloss matlab_plot_PL_g
07-14
matlab code for different pathloss in wireless channel
keras 自定义loss model.add_loss的使用详解
09-16
主要介绍了keras 自定义loss model.add_loss的使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
训练集验证集Loss都很低，并且趋于不变，同时两者精确度也不高
qq_37700539的博客
08-04 7851
网络输出垃圾，没有学习到任何东西Loss和accuracy都不改变，并且很低查看数据集标签与数据是否对应查看验证集和测试集是否进行数据预处理，包括归一化均值化查看loss损失函数是否选择正确，是否与标签格式相对应查看最后的分类器是否激活函数选择正确，sigmoid和softmax区别 Loss和accuracy都不改变，并且很低 这说明搭建的网络没有学习到任何东西，是网络搭建有问题，并不是过拟合或者欠拟合。分析： 查看数据集标签与数据是否对应 有时候在打乱数据集时，标签没有跟上，导致数据和标签不对应，这样网
GIOU loss
TEDDY的博客
02-23 3106
IOU IOU在0~1之间，两个框完全重合为1，所以 为0时没有重合，即值越低 IOU效果越差 IOU loss = 1 - IOU，loss 越小，效果越好，这是 IOU loss 和 IOU 的区别 GIoU 目标检测中的IOU&升级版GIOU - 知乎 IoU的局限性 预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。 当IOU=0时：https://www.zhihu.com/equation?tex=GIOU%3D-1%2
loss低但精确度低_目标检测中的Loss改进：GIOU
weixin_28678151的博客
12-19 2018
目标检测的改进方向有很多，这次介绍一篇CVPR2019针对Loss的改进方法: GIOU Loss Motivation现有目标检测的Loss普遍采用预测bbox与ground truth bbox的1-范数，2-范数来作为loss。但是评测的时候却又采用IOU来判断是否检测到目标。显然二者有一个Gap，即loss低不代表IOU就一定小。就拿下面的例子来说：上图第一排，所有物体的2-范数loss都...
一些深度学习调参心得
weixin_47716911的博客
07-23 1394
文章来源 | 极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/） 作者 | Chaser【极链AI云技术原创奖励计划】千元云币券获得者 原文地址 |调参心得（官网论坛）已获授权 实验效果校验心得 什么时候加augment，什么时候加multi-scale，学习率怎么设置？ 数据增强 个人体会是，验证性阶段过了之后，当你开始跑ablation study时，一定要注意数...
目标检测-loss、评价指标
菜鸟中的菜中菜的博客
10-16 2281
目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss Smooth L1 Loss，Fast RCNN论文提出该方法 目标检测中的评价指标 参考1 参考2 参考3 True Positive (TP)：将正样本预测为正（真正） True Negative (TN)：将负样本预测为负（真负） False Positive (FP)：将负样本预测为正（假正）→ 误报 (Type I error) False Negative (FN)：将正样本预测为负（假负）→ 漏报 (T
目标检测——使用loss发现噪声数据
墨门
04-30 897
2 备注 2.1 聚类算法中的outliers是怎么定义的呀，是按照一定半径画出决策边界，然后不属于任何一个类的点吗？ 我在优图交流群中进行了提问，记录如下： 我：请问一下，聚类算法中的outliers是怎么定义的呀，是按照一定半径画出决策边界，然后不属于任何一个类的点吗？ 程昊老师：outlier的定义是由聚类算法确定的，不同的聚类方法对outlier的定义有所不同。ppt里用的是DB...
loss分为cls_loss, box_loss, obj_loss三部分
05-27
在目标检测任务中，通常使用的损失函数可以分为三个部分：分类损失（cls_loss）、回归损失（box_loss）和目标存在性损失（obj_loss）。其中，分类损失衡量模型对目标进行正确分类的能力，回归损失衡量模型对目标位置...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值