Kvíz spojený s průvodcem · Střední úroveň
Fokální ztráta pro nevyvážený detekční kvíz
Kontroluje modulátor ztráty ohniska, třídní nerovnováhu, roli alfa a gama a jak se liší dobře klasifikované a tvrdé příklady.
Otázka 1 z 8
Který hlavní problém jednostupňové detekce objektů měl řešit ztrátu ohniska?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Který hlavní problém jednostupňové detekce objektů měl řešit ztrátu ohniska?
- Extrémní nerovnováha mezi vzácnými objekty v popředí a bohatým snadným pozadím
- Pomalá inferenční rychlost dvoustupňových detektorů
- Nedostatek označených tréninkových dat
- Nadměrná montáž na velké předměty
- Jaký je modulační faktor, který se fokální ztráta násobí na křížovou entropii?
- log(p_t)
- (1 - p_t)^gama
- pouze p_t^2
- 1 / p_t
- Co se stane se ztrátou ohniska, když je parametr zaostření gamma nastaven na 0?
- Stává se z toho střední kvadratická chyba
- Ignoruje všechny pozitivní příklady
- Stává se obyčejnou křížovou entropií
- Diverguje do nekonečna
- Co udělá zvýšení gama se snadnými, dobře klasifikovanými příklady?
- Zvyšuje jejich ztrátový příspěvek
- Ponechává jejich příspěvek beze změny
- Odebere je z datové sady
- Silněji potlačuje jejich ztrátový příspěvek
- Která architektura detektoru zavedla ohniskovou ztrátu?
- RetinaNet
- YOLOv1
- Rychlejší R-CNN
- AlexNet
- Jakou roli obvykle hraje parametr alfa vedle gama?
- Nastavuje rychlost učení
- Vyrovnává relativní váhu pozitivních versus negativních tříd
- Řídí rozlišení obrazu
- Definuje počet kotevních boxů
- For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
- Drive the factor to zero
- Turn the example into a positive label
- Keep the factor relatively close to one so the example retains substantial loss weight
- Replace the cross-entropy term with alpha
- A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
- Increase their count by duplicating them
- Remove all positive object examples
- Make every example receive an identical loss
- Reduce their dominance so training can focus more on sparse hard examples