【论文阅读】Generalized Focal Loss

已于 2022-03-11 14:32:27 修改
阅读量303 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

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

最低0.47元/天 解锁文章
一碗白开水一
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Generalized Focal Loss
星月野的博客
09-26 720
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
11-22 347
《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 2479
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
05-06 558
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 1898
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
XLNet 的论文2019Generalized Autoregressive Pretraining.pdf
06-20
CMU 与谷歌大脑提出的 XLNet 在 20 个任务上超过了 BERT 的表现，并在 18 个任务上取得了当前最佳效果。令人激动的是，目前 XLNet 已经开放了训练代码和大型预训练模型，这又可以玩一阵了～
Generalized Benders Decomposition 学习笔记论文对照版）
05-07
针对Generalized Benders Decomposition原始论文逐步进行推导，直到推导出Generalized Benders Decomposition的一般解法
Generalized-ICP文献
02-10
描述G-ICP算法的原始论文，在配准中应用效果很好，贴出来分享一下，下载即可用
Generalized-ICP 论文
10-22
GICP论文原文，激光点云配准学习的基础算法之一，也可以从谷歌学术上自己下载，因为这里的积分不知为啥不能设为0了。。。
Generalized Fibonacci photon sieves
02-10
We successfully extend the standard Fibonacci zone plates with two on-axis foci to the generalized Fibonacci photon sieves (GFiPS) with multiple on-axis foci. We also propose the direct and inverse ...
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
NeurIPS2020 Generalized Focal Loss论文翻译
Q1u1NG的博客
09-20 1615
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 V2》论文笔记
m_buddy的博客
12-13 2298
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。
Generalized Focal Loss V2论文解读
AI公园
12-14 914
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 2798
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 1091
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
05-31 374
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
flyfish
11-27 1326
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 2199
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结合yolov5
最新发布
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...

“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