DalšíDalší průvodce
Siamské sítě a trojitá ztráta
Technický
Technický PRŮVODCE
Ohnisková ztráta je modifikovaná ztrátová funkce, která snižuje váhu jednoduchých příkladů, takže detektor se může zaměřit na ty těžké, vzácné.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Vyřešil extrémní nerovnováhu pozadí versus objekt, která ochromila jednostupňové detektory objektů.
Při detekci objektů může obrázek obsahovat pouze několik skutečných objektů, ale desítky tisíc kandidátských míst, z nichž téměř všechny jsou jednoduchým pozadím. Se standardní křížovou entropií tato záplava jednoduchých negativů dominuje gradientu a přehluší vzácná pozitiva. Ohnisková ztráta, kterou Lin a kolegové z Facebooku AI představili v článku RetinaNet z roku 2017, to řeší vynásobením křížové entropie faktorem (1 - p_t)^gamma. Když je vzorek klasifikován s jistotou a správně, p_t je blízko 1, takže faktor se zmenšuje směrem k nule a dobře klasifikovaný příklad stěží přispívá. Tvrdé, špatně klasifikované příklady si udržují téměř plnou váhu. S gama kolem 2 se RetinaNet vyrovnal nebo porazil pomalejší dvoustupňové detektory, jako je Faster R-CNN, a přitom zůstal jednoduchou jednoprůchodovou sítí.
Detekce malých dopravních značek nebo vzdálených chodců v rámci autonomního řízení, kde je většina pixelů pozadí.
Hledání vzácných nádorů nebo lézí v lékařských skenech, kterým dominuje zdravá tkáň.
Odhalování vad na výrobní lince, kde je naprostá většina kontrolovaných dílů normální.
Identifikace malých plavidel nebo vozidel na velkých satelitních a leteckých snímcích.
Ohnisková ztráta se stala výchozí složkou daleko za RetinaNet a objevuje se v detektorech jako FCOS, v segmentaci a v klasifikaci s dlouhým koncem. Varianty jako kvalitní ohnisková ztráta, distribuční ohnisková ztráta a varifokální ztráta ji zdokonalují pro moderní bezkotvové a transformátorové detektory. Vzhledem k tomu, že se detekce posouvá směrem k modelům predikce množin, jako je DETR, které používají bipartitní párování, převažování v ohniskovém stylu zůstává praktickým nástrojem všude tam, kde jsou frekvence tříd vážně zkreslené.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Ohnisková ztráta je modifikovaná ztrátová funkce, která snižuje váhu jednoduchých příkladů, takže detektor se může zaměřit na ty těžké, vzácné. Vyřešil extrémní nerovnováhu pozadí versus objekt, která ochromila jednostupňové detektory objektů.
V husté detekci, snadné příklady pozadí výrazně převyšují skutečné objekty a dominují standardnímu gradientu křížové entropie. Ohniskové snížení váhy tak vzácné, těžké příklady se počítají více.
Ohnisková ztráta je -(1 - p_t)^gamma * log(p_t). Pojem (1 - p_t)^gamma se zmenšuje směrem k nule pro spolehlivě správné předpovědi.
Při gama = 0 se faktor (1 - p_t)^0 rovná 1, takže ohnisková ztráta se sníží přesně na standardní křížovou entropii.
Vyšší gama způsobí, že se člen (1 - p_t)^gamma zmenšuje rychleji pro vysoké p_t, takže jednoduché příklady přispívají ke ztrátě a gradientu ještě méně.
Ohnisková ztráta byla představena v dokumentu RetinaNet z roku 2017, což umožňuje jednostupňovému detektoru konkurovat přesným dvoustupňovým metodám.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Siamské sítě a trojitá ztráta
Technický