СледваСледващо ръководство
Сиамски мрежи и триплетна загуба
технически
Техническо РЪКОВОДСТВО
Фокална загуба за небалансирано откриване
Фокалната загуба е модифицирана функция за загуба, която намалява теглото на лесните примери, така че детекторът да може да се фокусира върху трудните, редки.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Дълбоко гмуркане
При откриване на обект едно изображение може да съдържа само няколко реални обекта, но десетки хиляди кандидат-локации, почти всички от които са лесен фон. Със стандартна кръстосана ентропия този поток от лесни негативи доминира в градиента и заглушава редките позитиви. Фокалната загуба, въведена в документа за RetinaNet от 2017 г. от Лин и колеги от Facebook AI, коригира това чрез умножаване на кръстосаната ентропия по коефициент (1 - p_t)^gamma. Когато извадката е класифицирана уверено и правилно, p_t е близо до 1, така че факторът се свива към нула и добре класифицираният пример почти не допринася. Твърдите, грешно класифицирани примери запазват почти пълна тежест. С гама около 2, RetinaNet съвпада или бие по-бавни двустепенни детектори като Faster R-CNN, като същевременно остава проста мрежа с едно преминаване.
Внедряване в реалния свят
Откриване на малки пътни знаци или отдалечени пешеходци в рамки за автономно шофиране, където повечето пиксели са фон.
Откриване на редки тумори или лезии при медицински сканирания, доминирани от здрава тъкан.
Откриване на дефекти на производствена линия, където по-голямата част от проверените части са нормални.
Идентифициране на малки плавателни съдове или превозни средства в големи сателитни и въздушни изображения.
Бъдещето на загубата на фокус за небалансирано откриване
Фокалната загуба се е превърнала в съставка по подразбиране далеч отвъд RetinaNet, появявайки се в детектори като FCOS, в сегментацията и в класификацията с дълга опашка. Варианти като качествена фокална загуба, разпределителна фокална загуба и варифокална загуба я усъвършенстват за модерни детектори без котви и базирани на трансформатори. Тъй като откриването се измества към модели за прогнозиране на набори като DETR, които използват двустранно съпоставяне, претеглянето във фокусен стил остава практичен инструмент навсякъде, където честотите на класа са силно изкривени.
Прилагайки го на практика
Защо има значение
- Разходи и бюджет. Архитектурните решения стимулират производителността и оперативните разходи в продължение на години.
- По-ясни решения. Техническото образование помага на екипите да изберат правилния стек, а не само най-новия.
- Контрол на качеството. По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството.
Внимавайте за
- Оптимизирането на един бенчмарк може да скрие по-широки системни слабости.
- Разходите за инфраструктура и поддръжка често се подценяват.
- Пропуските в сигурността и видимостта могат да нарастват, когато системите стават по-сложни.
Следващи стъпки
- Определете целите за латентност, качество и разходи преди внедряването.
- Бенчмарк при реалистични условия на натоварване и данни.
- Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя.
- Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Focal Loss for Imbalanced Detection quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
What is Focal Loss for Imbalanced Detection?
Фокалната загуба е модифицирана функция за загуба, която намалява теглото на лесните примери, така че детекторът да може да се фокусира върху трудните, редки. Той реши екстремния дисбаланс фон срещу обект, който осакати едностепенните детектори на обекти.
Какъв основен проблем при едностепенното откриване на обекти е предназначена да реши фокалната загуба?
При плътно откриване лесните фонови примери значително превъзхождат реалните обекти и доминират стандартния крос-ентропиен градиент. Толкова редки, трудни примери се броят повече.
Какъв е модулиращият фактор, който фокалната загуба се умножава върху крос-ентропията?
Фокалната загуба е -(1 - p_t)^gamma * log(p_t). Членът (1 - p_t)^gamma се свива към нула за надеждно правилни прогнози.
Какво се случва със загубата на фокус, когато параметърът за фокусиране гама е зададен на 0?
При гама = 0 коефициентът (1 - p_t)^0 е равен на 1, така че фокалната загуба се намалява точно до стандартната кръстосана ентропия.
Какво прави увеличаването на гамата с лесните, добре класифицирани примери?
По-високата гама кара члена (1 - p_t)^gamma да се свива по-бързо за високо p_t, така че лесните примери допринасят още по-малко за загубата и градиента.
Коя архитектура на детектора доведе до фокална загуба?
Фокалната загуба беше въведена в документа RetinaNet от 2017 г., позволявайки на едностепенен детектор да съперничи на точни двустепенни методи.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема