从FocalLoss到hardsample

本文探讨了Focal Loss在处理深度学习正负样本不平衡问题中的应用,以及Hard Sample在SVM、Adaboost、神经网络中的角色。Focal Loss通过降低易分类样本的损失,强调难例样本的损失,提高训练效率。同时,文章还讨论了如何在SVM和Adaboost中利用Hard Sample提升模型性能。
摘要由CSDN通过智能技术生成

Focal Loss

何凯明大神在2017年的论文中提出Focal loss 论文
Focal Loss是一种处理深度学习中正负样本不均衡的方法. 它并没有固定形式,应该算是一种思路: 降低non-hard-sample的loss, 提高hard-sample的loss. 以二分类cross entropy loss为例
L ( y , y 0 ) = − l o g ( P y ) L(y,y_0) = -log(P_y) L(y,y0)=log(Py)
其中
P y = P i f   y 0 = 1 P_y = P \quad if\ y_0 = 1 Py=Pif y0=1
P y = 1 − P i f   y 0 = 0 P_y = 1-P \quad if\ y_0 = 0 P

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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