À suivreGuide suivant
Réseaux siamois et perte de triplet
Technique
GUIDE Technique
Perte focale pour détection déséquilibrée
La perte focale est une fonction de perte modifiée qui minimise les exemples faciles afin qu'un détecteur puisse se concentrer sur les plus difficiles et les plus rares.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Il a résolu le déséquilibre extrême entre l’arrière-plan et l’objet qui paralysait les détecteurs d’objets à un étage.
Plongée profonde
Dans la détection d'objets, une image peut contenir seulement quelques objets réels mais des dizaines de milliers d'emplacements candidats, dont presque tous sont des arrière-plans faciles. Avec l’entropie croisée standard, ce flot de négatifs faciles domine le gradient et noie les rares positifs. La perte focale, introduite dans l'article RetinaNet 2017 de Lin et ses collègues de Facebook AI, corrige ce problème en multipliant l'entropie croisée par un facteur (1 - p_t)^gamma. Lorsqu'un échantillon est classé avec confiance et correctement, p_t est proche de 1, donc le facteur se rapproche de zéro et l'exemple bien classé n'y contribue guère. Les exemples difficiles et mal classés conservent presque tout leur poids. Avec un gamma autour de 2, RetinaNet a égalé ou battu des détecteurs à deux étages plus lents comme Faster R-CNN tout en restant un simple réseau à passage unique.
Mise en œuvre dans le monde réel
Détection de petits panneaux routiers ou de piétons éloignés dans des cadres de conduite autonome où la plupart des pixels sont en arrière-plan.
Trouver des tumeurs ou des lésions rares dans des examens médicaux dominés par des tissus sains.
Repérer des défauts sur une ligne de fabrication où la grande majorité des pièces inspectées sont normales.
Identification de petits navires ou véhicules dans de grandes images satellite et aériennes.
L'avenir de la perte focale pour la détection des déséquilibres
La perte focale est devenue un ingrédient par défaut bien au-delà de RetinaNet, apparaissant dans des détecteurs comme le FCOS, dans la segmentation et dans la classification à longue traîne. Des variantes telles que la perte focale de qualité, la perte focale de distribution et la perte à focale variable l'affinent pour les détecteurs modernes sans ancre et basés sur un transformateur. Alors que la détection évolue vers des modèles de prédiction d'ensemble comme DETR qui utilisent l'appariement bipartite, la repondération de style focal reste un outil pratique partout où les fréquences de classe sont gravement asymétriques.
Le mettre en pratique
Pourquoi c'est important
- Coût et budget. Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
- Décisions plus claires. La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
- Contrôle qualité. De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
Attention à
- L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
- Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
- Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Prochaines étapes
- Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
- Benchmark dans des conditions de charge et de données réalistes.
- Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
- Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Focal Loss for Imbalanced Detection quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu'est-ce que la perte focale pour la détection déséquilibrée ?
La perte focale est une fonction de perte modifiée qui minimise les exemples faciles afin qu'un détecteur puisse se concentrer sur les plus difficiles et les plus rares. Il a résolu le déséquilibre extrême entre l’arrière-plan et l’objet qui paralysait les détecteurs d’objets à un étage.
Pour quel problème central de la détection d’objets en une étape la perte focale a-t-elle été conçue pour résoudre ?
En détection dense, les exemples d'arrière-plan simples sont largement plus nombreux que les objets réels et dominent le gradient d'entropie croisée standard. La perte focale est si rare que les exemples difficiles comptent davantage.
Quel est le facteur modulateur par lequel la perte focale se multiplie en entropie croisée ?
La perte focale est de -(1 - p_t)^gamma * log(p_t). Le terme (1 - p_t)^gamma se réduit vers zéro pour des prédictions correctes avec confiance.
Qu'arrive-t-il à la perte focale lorsque le paramètre de mise au point gamma est réglé sur 0 ?
À gamma = 0, le facteur (1 - p_t)^0 est égal à 1, donc la perte focale se réduit exactement à l'entropie croisée standard.
Quel est l'effet de l'augmentation du gamma sur des exemples faciles et bien classés ?
Un gamma plus élevé fait rétrécir le terme (1 - p_t)^gamma plus rapidement pour un p_t élevé, donc les exemples simples contribuent encore moins à la perte et au gradient.
Quelle architecture de détecteur a introduit une perte focale ?
La perte focale a été introduite dans l'article RetinaNet de 2017, permettant à un détecteur à une étape de rivaliser avec les méthodes précises à deux étapes.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet