ΕπόμενοΕπόμενος οδηγός
Σιαμέζικα δίκτυα και απώλεια τριπλών
Τεχνικά
Τεχνικός ΟΔΗΓΟΣ
Εστιακή απώλεια για ανίχνευση ανισορροπίας
Η εστιακή απώλεια είναι μια τροποποιημένη συνάρτηση απώλειας που μειώνει τα εύκολα παραδείγματα, έτσι ώστε ένας ανιχνευτής να μπορεί να εστιάσει στα σκληρά, σπάνια.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Βαθιά κατάδυση
Στην ανίχνευση αντικειμένων, μια εικόνα μπορεί να περιέχει μόνο λίγα πραγματικά αντικείμενα αλλά δεκάδες χιλιάδες υποψήφιες θέσεις, σχεδόν όλες από τις οποίες είναι εύκολο φόντο. Με την τυπική διασταυρούμενη εντροπία, αυτή η πλημμύρα εύκολων αρνητικών κυριαρχεί στην κλίση και πνίγει τα σπάνια θετικά. Η εστιακή απώλεια, που εισήχθη στο έγγραφο RetinaNet του 2017 από τον Lin και τους συναδέλφους του στο Facebook AI, το διορθώνει πολλαπλασιάζοντας την διασταυρούμενη εντροπία με έναν παράγοντα (1 - p_t)^γάμα. Όταν ένα δείγμα ταξινομείται με σιγουριά και σωστά, το p_t είναι κοντά στο 1, οπότε ο παράγοντας συρρικνώνεται προς το μηδέν και το καλά ταξινομημένο παράδειγμα μόλις συνεισφέρει. Τα σκληρά, εσφαλμένα ταξινομημένα παραδείγματα διατηρούν σχεδόν πλήρες βάρος. Με το γάμμα γύρω στο 2, το RetinaNet ταίριαξε ή κέρδισε πιο αργούς ανιχνευτές δύο σταδίων, όπως το Faster R-CNN, διατηρώντας παράλληλα ένα απλό δίκτυο με ένα πέρασμα.
Υλοποίηση σε πραγματικό κόσμο
Ανίχνευση μικρών οδικών πινακίδων ή απομακρυσμένων πεζών σε πλαίσια αυτόνομης οδήγησης όπου τα περισσότερα pixel είναι φόντο.
Εύρεση σπάνιων όγκων ή βλαβών σε ιατρικές σαρώσεις που κυριαρχούν οι υγιείς ιστοί.
Εντοπισμός ελαττωμάτων σε μια γραμμή παραγωγής όπου η συντριπτική πλειοψηφία των επιθεωρημένων εξαρτημάτων είναι κανονικά.
Αναγνώριση μικρών σκαφών ή οχημάτων σε μεγάλες δορυφορικές και εναέριες εικόνες.
Το μέλλον της εστιακής απώλειας για ανίχνευση ανισορροπίας
Η εστιακή απώλεια έχει γίνει ένα προεπιλεγμένο συστατικό πολύ πέρα από το RetinaNet, που εμφανίζεται σε ανιχνευτές όπως το FCOS, στην κατάτμηση και στην ταξινόμηση με μεγάλη ουρά. Παραλλαγές όπως η ποιοτική εστιακή απώλεια, η εστιακή απώλεια διανομής και η απώλεια μεταβλητής εστίασης το εξευγενίζουν για σύγχρονους ανιχνευτές χωρίς άγκυρα και βασισμένους σε μετασχηματιστές. Καθώς η ανίχνευση μετατοπίζεται προς μοντέλα πρόβλεψης συνόλων όπως το DETR που χρησιμοποιούν διμερή αντιστοίχιση, η επαναστάθμιση εστιακού στυλ παραμένει ένα πρακτικό εργαλείο όπου οι συχνότητες κλάσης παραμορφώνονται σοβαρά.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Κόστος και προϋπολογισμός. Οι αποφάσεις για την αρχιτεκτονική καθορίζουν την απόδοση και το λειτουργικό κόστος για χρόνια.
- Σαφέστερες αποφάσεις. Η τεχνική εκπαίδευση βοηθά τις ομάδες να επιλέξουν τη σωστή στοίβα, όχι μόνο τη νεότερη.
- Ελεγχος ποιότητας. Οι καλύτερες επιλογές μηχανικής μειώνουν τα περιστατικά αξιοπιστίας στην παραγωγή.
Προσέξτε
- Η βελτιστοποίηση ενός σημείου αναφοράς μπορεί να κρύψει ευρύτερες αδυναμίες του συστήματος.
- Το κόστος υποδομής και συντήρησης συχνά υποτιμάται.
- Τα κενά ασφάλειας και παρατηρητικότητας μπορούν να αυξηθούν καθώς τα συστήματα γίνονται πιο πολύπλοκα.
Επόμενα βήματα
- Καθορίστε τους στόχους καθυστέρησης, ποιότητας και κόστους πριν από την εφαρμογή.
- Σημείο αναφοράς υπό ρεαλιστικές συνθήκες φορτίου και δεδομένων.
- Παρακολούθηση οργάνου για σφάλματα, μετατόπιση και επιπτώσεις από τον χρήστη.
- Προετοιμάστε διαδρομές επαναφοράς και απόκρισης συμβάντος πριν την κλιμάκωση.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Focal Loss for Imbalanced Detection quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is Focal Loss for Imbalanced Detection?
Η εστιακή απώλεια είναι μια τροποποιημένη συνάρτηση απώλειας που μειώνει τα εύκολα παραδείγματα, έτσι ώστε ένας ανιχνευτής να μπορεί να εστιάσει στα σκληρά, σπάνια. Έλυσε την ακραία ανισορροπία φόντου έναντι αντικειμένου που παρέσυρε τους ανιχνευτές αντικειμένων ενός σταδίου.
Ποιο βασικό πρόβλημα στην ανίχνευση αντικειμένων ενός σταδίου σχεδιάστηκε για την αντιμετώπιση της εστιακής απώλειας;
Στην πυκνή ανίχνευση, τα εύκολα παραδείγματα φόντου υπερτερούν κατά πολύ των πραγματικών αντικειμένων και κυριαρχούν στην τυπική κλίση διασταυρούμενης εντροπίας. Τα νέα βάρη εστιακής απώλειας είναι τόσο σπάνια, τα δύσκολα παραδείγματα μετράνε περισσότερο.
Ποιος είναι ο διαμορφωτικός παράγοντας που η εστιακή απώλεια πολλαπλασιάζεται σε διασταυρούμενη εντροπία;
Η εστιακή απώλεια είναι -(1 - p_t)^gamma * log(p_t). Ο (1 - p_t)^ όρος γάμμα συρρικνώνεται προς το μηδέν για σωστές προβλέψεις με σιγουριά.
Τι συμβαίνει με την εστιακή απώλεια όταν η παράμετρος εστίασης γάμμα έχει οριστεί στο 0;
Στο γάμμα = 0 ο παράγοντας (1 - p_t)^0 ισούται με 1, επομένως η εστιακή απώλεια μειώνεται ακριβώς στην τυπική διασταυρούμενη εντροπία.
Τι κάνει η αύξηση του γάμμα σε εύκολα, καλά ταξινομημένα παραδείγματα;
Το υψηλότερο γάμμα κάνει τον όρο (1 - p_t)^γάμα να συρρικνώνεται πιο γρήγορα για υψηλό p_t, επομένως τα εύκολα παραδείγματα συμβάλλουν ακόμη λιγότερο στην απώλεια και την κλίση.
Ποια αρχιτεκτονική ανιχνευτή εισήγαγε εστιακή απώλεια;
Η εστιακή απώλεια εισήχθη στο χαρτί RetinaNet του 2017, επιτρέποντας σε έναν ανιχνευτή ενός σταδίου να ανταγωνιστεί ακριβείς μεθόδους δύο σταδίων.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα