Műszaki ÚTMUTATÓ

Fókuszvesztés az egyensúlyhiány észleléséhez

A fókuszveszteség egy módosított veszteségfüggvény, amely csökkenti a könnyű példákat, így a detektor a kemény, ritka példákra fókuszálhat.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A fókuszvesztés jövője a kiegyensúlyozatlan észleléshez
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Megoldotta az extrém háttér-objektum egyensúlyhiányt, amely megbénította az egyfokozatú tárgydetektorokat.

Mély merülés

Az objektumészlelés során egy kép csak néhány valós objektumot tartalmazhat, de több tízezer jelölt helyet tartalmazhat, amelyek szinte mindegyike könnyű háttér. A standard keresztentrópiával a könnyű negatívok áradata uralja a gradienst, és elnyomja a ritka pozitívumokat. A fókuszvesztés, amelyet a 2017-es RetinaNet tanulmányban Lin és munkatársai vezettek be a Facebook AI-nál, ezt a keresztentrópia (1 - p_t)^gamma tényezővel való megszorzásával javítja ki. Ha egy mintát magabiztosan és helyesen osztályoznak, a p_t 1 közelében van, így a tényező nulla felé csökken, és a jól osztályozott példa alig járul hozzá. A kemény, rosszul besorolt ​​példák csaknem teljes súlyukat megtartják. A 2 körüli gamma mellett a RetinaNet a lassabb kétfokozatú detektorokat, például a Faster R-CNN-t, vagy felülmúlta, miközben egyszerű, egyáteresztő hálózat maradt.

Valós megvalósítás

Kis útjelző táblák vagy távoli gyalogosok észlelése autonóm vezetési keretekben, ahol a legtöbb képpont a háttérben van.

Ritka daganatok vagy elváltozások megtalálása az egészséges szövetek által dominált orvosi vizsgálatok során.

Hibák észlelése olyan gyártósoron, ahol az ellenőrzött alkatrészek túlnyomó többsége normális.

Kis hajók vagy járművek azonosítása nagy műhold- és légifelvételeken.

A fókuszvesztés jövője a kiegyensúlyozatlan észleléshez

A fókuszvesztés a RetinaNeten jóval túlmutató alapértelmezett összetevővé vált, és megjelenik az olyan detektorokban, mint az FCOS, a szegmentálásban és a hosszú farkú osztályozásban. Az olyan változatok, mint a minőségi fókuszvesztés, az eloszlási fókuszveszteség és a varifokális veszteség, tökéletesítik a modern horgonymentes és transzformátor alapú detektorokhoz. Ahogy az észlelés eltolódik a kétoldalú illesztést használó előrejelző modellek, például a DETR felé, a fókusz-stílusú újrasúlyozás praktikus eszköz marad mindenhol, ahol az osztályfrekvenciák erősen torzulnak.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Focal Loss for Imbalanced Detection quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a fókuszvesztés az egyensúlyhiány észleléséhez?

A fókuszveszteség egy módosított veszteségfüggvény, amely csökkenti a könnyű példákat, így a detektor a kemény, ritka példákra fókuszálhat. Megoldotta a rendkívüli háttér-objektum egyensúlyhiányt, amely megbénította az egyfokozatú tárgydetektorokat.

Az egylépcsős objektumérzékelésben milyen alapvető problémát terveztek a fókuszvesztés kezelésére?

Sűrű észlelés esetén a könnyű háttérpéldák számában jóval több, mint a valós objektumok száma, és uralják a standard keresztentrópia gradienst. A fókuszvesztés olyan ritka, hogy a kemény példák többet számítanak.

Mi az a moduláló tényező, amely a fókuszveszteséget megsokszorozza a keresztentrópiával?

A fókuszveszteség -(1 - p_t)^gamma * log(p_t). Az (1 - p_t)^gamma tag nulla felé zsugorodik a magabiztosan helyes előrejelzések érdekében.

Mi történik a fókuszvesztéssel, ha a gamma fókuszparaméter 0-ra van állítva?

Gamma = 0 esetén az (1 - p_t)^0 tényező 1, tehát a fókuszveszteség pontosan a standard keresztentrópiára csökken.

Mit tesz a gamma növelése a könnyű, jól besorolt példákkal?

A magasabb gamma hatására az (1 - p_t)^gamma tag gyorsabban zsugorodik magas p_t esetén, így az egyszerű példák még kevésbé járulnak hozzá a veszteséghez és a gradienshez.

Melyik detektor architektúra vezetett be fókuszvesztést?

A fókuszvesztést a 2017-es RetinaNet papírban vezették be, lehetővé téve, hogy az egyfokozatú detektor felvegye a versenyt a pontos kétlépcsős módszerekkel.