तकनीकी गाइड
असंतुलित जांच के लिए फोकल हानि
फोकल लॉस एक संशोधित लॉस फ़ंक्शन है जो आसान उदाहरणों को कम करता है ताकि एक डिटेक्टर कठिन, दुर्लभ उदाहरणों पर ध्यान केंद्रित कर सके।
इस गाइड को सुनेंएआई-नैरेटेड · ~2 min
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
इसने चरम पृष्ठभूमि-बनाम-ऑब्जेक्ट असंतुलन को हल किया जिसने एक-चरण ऑब्जेक्ट डिटेक्टरों को पंगु बना दिया।
गहरा गोता
ऑब्जेक्ट डिटेक्शन में, एक छवि में केवल कुछ वास्तविक वस्तुएं हो सकती हैं लेकिन हजारों उम्मीदवार स्थान हो सकते हैं, जिनमें से लगभग सभी आसान पृष्ठभूमि हैं। मानक क्रॉस-एन्ट्रॉपी के साथ, आसान नकारात्मकताओं की यह बाढ़ ग्रेडिएंट पर हावी हो जाती है और दुर्लभ सकारात्मकताओं को ख़त्म कर देती है। फेसबुक एआई में लिन और सहकर्मियों द्वारा 2017 रेटिनानेट पेपर में पेश किया गया फोकल लॉस, एक कारक (1 - p_t)^गामा द्वारा क्रॉस-एन्ट्रॉपी को गुणा करके इसे ठीक करता है। जब किसी नमूने को आत्मविश्वासपूर्वक और सही ढंग से वर्गीकृत किया जाता है, तो p_t 1 के करीब होता है, इसलिए कारक शून्य की ओर सिकुड़ जाता है और अच्छी तरह से वर्गीकृत उदाहरण मुश्किल से योगदान देता है। कठिन, गलत वर्गीकृत उदाहरण लगभग पूरा महत्व रखते हैं। लगभग 2 गामा के साथ, रेटिनानेट एक साधारण सिंगल-पास नेटवर्क रहते हुए फास्टर आर-सीएनएन जैसे धीमे दो-चरण डिटेक्टरों से मेल खाता है या उन्हें हरा देता है।
वास्तविक विश्व कार्यान्वयन
स्वायत्त-ड्राइविंग फ़्रेमों में छोटे सड़क संकेतों या दूर के पैदल यात्रियों का पता लगाना, जहां अधिकांश पिक्सेल पृष्ठभूमि हैं।
मेडिकल स्कैन में स्वस्थ ऊतकों पर हावी दुर्लभ ट्यूमर या घावों का पता लगाना।
किसी विनिर्माण लाइन पर दोषों का पता लगाना जहां निरीक्षण किए गए अधिकांश हिस्से सामान्य हैं।
बड़े उपग्रह और हवाई इमेजरी में छोटे जहाजों या वाहनों की पहचान करना।
असंतुलित जांच के लिए फोकल हानि का भविष्य
फोकल हानि रेटिनानेट से कहीं अधिक एक डिफ़ॉल्ट घटक बन गई है, जो एफसीओएस जैसे डिटेक्टरों में, विभाजन में और लंबी-पूंछ वाले वर्गीकरण में दिखाई देती है। गुणवत्ता फोकल हानि, वितरण फोकल हानि और वैरिफोकल हानि जैसे वेरिएंट इसे आधुनिक एंकर-मुक्त और ट्रांसफार्मर-आधारित डिटेक्टरों के लिए परिष्कृत करते हैं। जैसे-जैसे डीईटीआर जैसे सेट-भविष्यवाणी मॉडल की ओर पता लगाया जाता है जो द्विदलीय मिलान का उपयोग करते हैं, जहां भी वर्ग आवृत्तियों में गंभीर रूप से विषमता होती है, फोकल-शैली रीवेटिंग एक व्यावहारिक उपकरण बनी हुई है।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
- स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
- गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
का ध्यान रखें
- एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
- बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
- जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
अगले चरण
- कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
- यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
- त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
- स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the Focal Loss for Imbalanced Detection quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
असंतुलित जांच के लिए फोकल लॉस क्या है?
फोकल लॉस एक संशोधित लॉस फ़ंक्शन है जो आसान उदाहरणों को कम करता है ताकि एक डिटेक्टर कठिन, दुर्लभ उदाहरणों पर ध्यान केंद्रित कर सके। इसने चरम पृष्ठभूमि-बनाम-ऑब्जेक्ट असंतुलन को हल किया जिसने एक-चरण ऑब्जेक्ट डिटेक्टरों को पंगु बना दिया।
वन-स्टेज ऑब्जेक्ट डिटेक्शन में फोकल लॉस को किस मुख्य समस्या को संबोधित करने के लिए डिज़ाइन किया गया था?
गहन पहचान में, आसान पृष्ठभूमि उदाहरण वास्तविक वस्तुओं से काफी अधिक हैं और मानक क्रॉस-एन्ट्रॉपी ग्रेडिएंट पर हावी हैं। फोकल लॉस पुनर्वसन इतना दुर्लभ है, कठिन उदाहरण अधिक मायने रखते हैं।
वह कौन सा मॉड्यूलेटिंग कारक है जो फ़ोकल हानि को क्रॉस-एन्ट्रॉपी पर कई गुना बढ़ा देता है?
फोकल हानि -(1 - p_t)^गामा * लॉग(p_t) है। आत्मविश्वास से सही भविष्यवाणियों के लिए (1 - p_t)^गामा शब्द शून्य की ओर सिकुड़ जाता है।
जब फोकसिंग पैरामीटर गामा 0 पर सेट होता है तो फोकल लॉस क्या होता है?
गामा = 0 पर कारक (1 - p_t)^0 1 के बराबर होता है, इसलिए फोकल हानि बिल्कुल मानक क्रॉस-एन्ट्रॉपी तक कम हो जाती है।
गामा बढ़ने से आसान, अच्छी तरह से वर्गीकृत उदाहरणों पर क्या प्रभाव पड़ता है?
उच्च गामा उच्च p_t के लिए (1 - p_t)^गामा शब्द को तेजी से सिकुड़ता है, इसलिए आसान उदाहरण हानि और ग्रेडिएंट में और भी कम योगदान देते हैं।
किस डिटेक्टर आर्किटेक्चर ने फोकल लॉस की शुरुआत की?
फोकल लॉस को 2017 रेटिनानेट पेपर में पेश किया गया था, जिससे एक-स्टेज डिटेक्टर सटीक दो-स्टेज तरीकों को प्रतिद्वंद्वी करने में सक्षम हो गया।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं