LegközelebbKövetkező útmutató
Sziámi hálózatok és hármasok elvesztése
Műszaki
Műszaki ÚTMUTATÓ
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
Megoldotta az extrém háttér-objektum egyensúlyhiányt, amely megbénította az egyfokozatú tárgydetektorokat.
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.
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 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.
Ingyenes hírlevél
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
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
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.
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.
A fókuszveszteség -(1 - p_t)^gamma * log(p_t). Az (1 - p_t)^gamma tag nulla felé zsugorodik a magabiztosan helyes előrejelzések érdekében.
Gamma = 0 esetén az (1 - p_t)^0 tényező 1, tehát a fókuszveszteség pontosan a standard keresztentrópiára csökken.
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.
A fókuszvesztést a 2017-es RetinaNet papírban vezették be, lehetővé téve, hogy az egyfokozatú detektor felvegye a versenyt a pontos kétlépcsős módszerekkel.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Sziámi hálózatok és hármasok elvesztése
Műszaki