【论文阅读】Generalized Focal Loss

已于 2022-03-11 14:32:27 修改
阅读量358 收藏
点赞数
分类专栏： 论文阅读 文章标签： python
于 2022-02-24 11:38:05 首次发布
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_43859829/article/details/123108336
版权
本文探讨了Generalized Focal Loss在目标检测中的应用，分析了现有one-stage anchor-free检测器存在的问题，包括训练与测试阶段的不一致以及边界框表示的局限性。为解决这些问题，文章提出将分类与质量估计进行联合表示，并使用离散化方法回归任意分布以建模复杂场景下边界框的不确定性。GFL（Generalized Focal Loss）的优化方法包括Quality Focal Loss和Distance Focal Loss的结合。
摘要由CSDN通过智能技术生成

Generalized Focal Loss

motivation:
目前比较强力的one-stage anchor-free的检测器（以FCOS，ATSS为代表）基本会包含3个表示:

  1. 分类表示:cls

  2. 检测框表示:box

  3. 检测框的质量估计（在FCOS/ATSS中，目前采用centerness，当然也有一些其他类似的工作会采用IoU，这些score基本都在0~1之间）:iou or centerness

问题一：classification score 和 IoU/centerness score 训练测试不一致。
在这里插入图片描述

两个方面：
1） 用法不一致。训练的时候，分类和质量估计各自训记几个儿的，但测试的时候却又是乘在一起作为NMS score排序的依据，这个操作显然没有end-to-end，必然存在一定的gap。

2） 对象不一致。借助Focal Loss的力量，分类分支能够使得少量的正样本和大量的负样本一起成功训练，但是质量估计通常就只针对正样本训练。那么，对于one-stage的检测器而言，在做NMS score排序的时候，所有的样本都会将分类score和质量预测score相乘用于排序，那么必然会存在一部分分数较低的“负样本”的质量预测是没有在训练过程中有监督信号的，有就是说对于大量可能的负样本，他们的质量预测是一个未定义行为。这就很有可

最低0.47元/天 解锁文章
一碗白开水一
关注
专栏目录
芒果YOLOv7改进30：Loss篇：改进GFL损失函数：首发最新基于GFL损失函数，让模型无损涨点，NeurIPS 顶会论文｜Generalized Focal Loss，多种热门检测模型已使用
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-16 4821
代码实践｜YOLOv7代码使用广义焦点损失 (GFL)，将焦点损失从其离散形式推广到连续形式，以实现成功优化
芒果YOLOv5改进26：损失函数篇之GFL：首发最新｜NeurIPS顶会论文，模型无损涨点，改进广义焦点损失Generalized Focal Loss，将焦点损失从其离散形式推广到连续形式
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-16 2808
代码实践 YOLOv5+NeurIPS顶会论文｜改进 Generalized Focal Loss 广义焦点损失，优化让模型无损涨点
Generalized Focal Loss
星月野的博客
09-26 900
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection https://arxiv.org/abs/2006.04388 Background one-stage的目标检测任务一般将任务划分为两个方向：classification和localization，在网络训练过程中，这两个方向一般是独立进行优化的，如下图所示。 图1 传统detection任务
Generalized Focal Loss-读论文随笔
zzhang_12的博客
11-22 378
《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》 原文链接：https://arxiv.org/abs/2006.04388 代码链接：https://github.com/implus/GFocal 一、针对什么问题？ 1、问题： 2、原因： 二、anchor-based 和 anchor-free 的主要区别 1、分类分支不同：F..
Generalized Focal Loss(GFLv1)论文理解与代码分析
litt1e的博客
10-11 2739
GFLv1是较早提出在训练和推理过程中，质量评估和分类不一致问题的论文。质量与分类往往被独立训练，（yolo输出中，有独立的一个维度用于目标的置信度评估，在训练时与分类解耦；fcos，atss则利用centerness作为质量评估，同样也与分类解耦），但在test过程中却被相乘联合使用。监督只分配给正样本，但有时候负样本可能会提供更高质量的监督，必然会存在一部分分数较低的“负样本”的质量预测是没有在训练过程中有监督信号的，有就是说对于大量可能的负样本，他们的质量预测是一个未定义行为。
Generalized Focal Loss 论文笔记
Tianchao龙虾
05-06 651
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 论文链接： https://arxiv.org/abs/2006.04388 一、Problem Statement 目前热门的One-stage detector的head末端通常会有三个representation: classification, localization, quality estima
深度学习论文: Generalized Focal Loss V1及其PyTorch实现
mingo_敏
02-01 1977
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection PDF: https://arxiv.org/pdf/2006.04388.pdf PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks PyTorch: https://github.com/shanglianlm0525/CvPytorc
NeurIPS2020 Generalized Focal Loss论文翻译
Q1u1NG的博客
09-20 1675
Generalized Focal Loss论文翻译摘要1. 介绍 光流边缘引导的视频补全算法 论文地址：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 摘要 one-stage检测器基本将目标检测制定为稠密分类和定位(即边框回归)。分类通常由Focal loss优化，边框定位一般用狄拉克δ函数来学习。one-stage检测器的最新趋势是引入一个单独的预测
《Generalized Focal Loss V1》论文笔记
m_buddy的博客
12-12 3045
参考代码：GFocal 这篇文章会探讨将目标检测中边界框的回归问题转换为概率分布的问题，因而需要从传统的边界框范数与IoU回归思想转换到边界框的概率分布上来。对此，对这方面内容不是很理解的朋友可以参考下面这篇文章的内容，从而对加深这篇文章提出GFocal优化方法的理解： REF：一文了解目标检测边界框概率分布 同时，这篇文章的作者也有对这篇文章进行了说明，详见：大白话 Generalized Focal Loss 1. 概述 导读：让目标检测网络实现对检测质量的感知，是之前一些检测算法努力追求的目标。总结
《Generalized Focal Loss V2》论文笔记
m_buddy的博客
12-13 2359
参考代码：GFocalV2 1. 概述 导读：这篇文章是在之前V1版本的基础上增强了目标检测中定位质量估计能力。在之前的一些网络中会在分类分支和检测分支的特征图基础上实现定位质量的估计（如IoUNet、FCOS），但是会存在training和infer阶段的gap。对此在GFocal V1的版本中提出了质量感知的预测头，从而弥补了training和infer的gap。而这篇文章更进一步使用4个边界框的概率分布作为额外信息输入，使得质量感知分支能够获取检测框边界的信息，从而进一步提升质量感知分支的准确度。
GFocalV2:广义焦损V2
04-12
广义焦点损失V2：密集目标检测的学习可靠定位质量估计 GFocalV2（GFLV2）是下一代GFocalV1（GFLV1），它利用学习的边界框分布的统计数据来指导可靠的定位质量估计。 同样，GFLV2比GFLV1改善了约1个AP，而没有（几乎）额外的计算成本！ ZhiHu：GFOCalV2在。 您可以在查看有关GFocalV1的更多评论。 更多新闻： [2021.3] GFocalV2已被CVPR2021接受（审查前分数：113）。 [2020.11] GFocalV1已采取 ，超高效的对象检测器在移动设备上，实现相同的性能，但2倍比YoLoV4纤巧更快！ 有关更多详细信息，请参见 。 [2020.10]好消息！ GFocalV1已在NeurIPs 2020中接受，并且GFocalV2即将推出。 [2020.9] DeepBlueAI团队在ECCV 2020研讨会中GigaVi
Generalized Focal Loss V2论文解读
AI公园
12-14 945
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读GFLV1之后很快又有了GFLV2，这次的思路是让位置质量的预测用上回归分支的信息，同时通过分布的平坦性来表示位置的质量，感...
【目标检测】22、Generalized Focal Loss V1
呆呆的猫的博客
07-26 3018
One-stage 目标检测器基本上是将目标检测建模成了一个密集分类和定位的任务。 分类任务一般使用 Focal Loss 来进行优化，定位任务一般是学习 Dirac delta 分布。 如 FCOS 中就提出了一个估计定位质量的量：IoU score 或 centerness score，然后 NMS 排序的时候，将分类得分和框质量得分相乘。.........
Generalized Focal Loss v2 原理与代码解析
00000cj的博客
10-30 1282
paper：Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detectioncode：GitHub - implus/GFocalV2: Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection, CVPR2021单阶段
【论文阅读】【二维目标检测】Generalized Focal Loss
麒麒哈尔的博客
05-31 418
文章目录Motivation物体分类框回归Method物体分类框回归generalized focal loss实验效果总结 文章：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 地址：https://arxiv.org/pdf/2006.04388.pdf Motivation 物体分类 在object detection任务中，是存在分类和回归的两个结
目标检测 - Generalized Focal Loss的Anchor处理机制
二分掌柜的
11-27 1382
目标检测 - Generalized Focal Loss的Anchor处理机制 flyfish 分析的代码采用的是RangiLyu的nanodet，nanodet提供了轻量级模型从训练到Android端安装部署的整体解决方案 源码地址 代码所在路径是nanodet/nanodet/model/head/gfl_head.py 一、基础配置 octave_base_scale: 5 scales_per_octave: 1 strides: [8, 16, 32] batchsize_per_gpu: 2
Generalized Focal Loss 原理与代码解析
00000cj的博客
10-26 2486
为了方便网络优化，作者将连续区间上的积分转换成了离散的形式，通过将区间 \(\left [ y_{0},y_{n} \right ] \) 转换成一组等间隔 \(\triangle\)（为了方便取\(\triangle=1\)）的离散区间 \(\left \{ y_{0},y_{1},...,y_{i},y_{i+1},...,y_{n-1},y_{n} \right \} \)，根据离散分布的性质 \(\sum_{i=0}^{n} P(y_{i})=1\)，回归估计值可由下式得到。
Generalized Focal Loss论文个人理解
最新发布
shilichangtin的博客
01-11 1421
Generalized Focal Loss论文个人理解
目标检测之Generalized Focal Loss介绍
xuzz_498100208的博客
12-26 4986
目标检测从年初的ATSS到PAA,通过优化对正负样本选取的手段将onestage在COCO的AP刷到了46，本文主角GFL在ATSS的基础之上，对focal loss进行改进，提出了GFL，通过大量对比试验证明了有效性，基本上可以说是无损涨点了。
generalized focal loss结合yolov5
04-28
Generalized Focal Loss是一种处理不平衡数据集的损失函数，它在传统的Focal Loss上进行了改进，可以用于多分类和回归任务。YoloV5是一种目标检测算法，它采用一种基于单个神经网络的方法来实现快速而准确的目标检测。结合使用Generalized Focal Loss和YoloV5可以进一步提升目标检测的性能。 在目标检测任务中，不同类别的样本数量往往是不平衡的，一些常见的类别可能会有很多样本，而一些罕见的类别可能只有极少数样本。对于这种情况，使用传统的交叉熵损失函数可能会导致网络偏向于训练样本数量较多的类别，而对于那些样本数量较少的类别则表现不佳。 Generalized Focal Loss采用了类似于Focal Loss的方法来处理不平衡数据集，该方法通过降低容易分类的样本的权重来提高难以分类的样本在训练过程中的重要性。此外，Generalized Focal Loss还添加了一些参数来控制样本难度的权重，这提高了模型对于罕见类别的识别能力。 结合Generalized Focal Loss和YoloV5可以进一步提高目标检测性能。YoloV5现有的版本已经使用Focal Loss来处理类别不平衡的问题，但使用Generalized Focal Loss可以更加灵活地进行参数调节。通过用Generalized Focal Loss替换原有的损失函数，可以减少误分类样本的影响，提高整个模型对于样本数量较少的类别的识别能力，从而进一步提高整个目标检测系统的性能。
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