yolo v4学习笔记
label smoothing
传统one-hot编码标签的网络学习过程中,鼓励模型预测为目标类别的概率趋近1,非目标类别的概率趋近0,即最终预测的logits向量(logits向量经过softmax后输出的就是预测的所有类别的概率分布)中目标类别的值会趋于无穷大,使得模型向预测正确与错误标签的logit差值无限增大的方向学习,而过大的logit差值会使模型缺乏适应性,对它的预测过于自信。在训练数据不足以覆盖所有情况下,这就会导致网络过拟合,泛化能力差,而且实际上有些标注数据不一定准确,这时候使用交叉熵损失函数作为目标函数也不一定是最优的了。
公式:其中K是类别多分类的类别总数,a是一个较小的超参数(一般取0.1)yhot是原本的标签。
BCE Loss(Binary Cross Entropy)
BCE全称为二分类交叉熵公式为:
其中n为类别数,y为label,x为模型预测值。