SelanjutnyaPanduan berikutnya
Jaringan Siam dan Kerugian Triplet
Teknis
PANDUAN Teknis
Kehilangan Fokus karena Deteksi Ketidakseimbangan
Kehilangan fokus adalah fungsi kerugian yang dimodifikasi yang menurunkan bobot contoh-contoh mudah sehingga detektor dapat fokus pada contoh-contoh sulit dan langka.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Menyelam Lebih Dalam
Dalam pendeteksian objek, sebuah gambar mungkin hanya berisi beberapa objek nyata namun puluhan ribu kandidat lokasi, hampir semuanya merupakan latar belakang yang mudah. Dengan entropi silang standar, banjirnya hal-hal negatif yang mudah ini mendominasi gradien dan menenggelamkan hal-hal positif yang jarang terjadi. Kehilangan fokus, yang diperkenalkan dalam makalah RetinaNet tahun 2017 oleh Lin dan rekannya di Facebook AI, memperbaikinya dengan mengalikan entropi silang dengan faktor (1 - p_t)^gamma. Ketika suatu sampel diklasifikasikan dengan yakin dan benar, p_t mendekati 1, sehingga faktornya menyusut menuju nol dan contoh yang terklasifikasi dengan baik hampir tidak memberikan kontribusi. Contoh-contoh yang sulit dan salah diklasifikasikan membuat bobotnya hampir penuh. Dengan gamma sekitar 2, RetinaNet menyamai atau mengalahkan detektor dua tahap yang lebih lambat seperti Faster R-CNN sambil tetap menggunakan jaringan single-pass yang sederhana.
Implementasi Dunia Nyata
Mendeteksi rambu-rambu jalan kecil atau pejalan kaki di kejauhan dalam bingkai mengemudi otonom dengan sebagian besar piksel sebagai latar belakang.
Menemukan tumor atau lesi langka pada pemindaian medis yang didominasi oleh jaringan sehat.
Menemukan cacat pada lini produksi di mana sebagian besar komponen yang diperiksa dalam keadaan normal.
Mengidentifikasi kapal atau kendaraan kecil dalam citra satelit dan udara berukuran besar.
Masa Depan Kehilangan Fokus untuk Deteksi Ketidakseimbangan
Kehilangan fokus telah menjadi unsur default di luar RetinaNet, muncul di detektor seperti FCOS, dalam segmentasi, dan dalam klasifikasi ekor panjang. Varian seperti kehilangan fokus kualitas, kehilangan fokus distribusi, dan kehilangan varifokal menyempurnakannya untuk detektor modern bebas jangkar dan berbasis transformator. Ketika deteksi beralih ke model prediksi himpunan seperti DETR yang menggunakan pencocokan bipartit, pembobotan ulang gaya fokus tetap menjadi alat praktis di mana pun frekuensi kelas sangat menyimpang.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Focal Loss for Imbalanced Detection quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is Focal Loss for Imbalanced Detection?
Kehilangan fokus adalah fungsi kerugian yang dimodifikasi yang menurunkan bobot contoh-contoh mudah sehingga detektor dapat fokus pada contoh-contoh sulit dan langka. Ini memecahkan ketidakseimbangan ekstrim antara latar belakang dan objek yang melumpuhkan detektor objek satu tahap.
Masalah inti apa dalam deteksi objek satu tahap yang dirancang untuk mengatasi kehilangan fokus?
Dalam deteksi padat, contoh latar belakang yang mudah jauh melebihi jumlah objek nyata dan mendominasi gradien lintas-entropi standar. Kehilangan fokus sangat jarang terjadi, contoh-contoh sulit lebih diperhitungkan.
Apa faktor modulasi yang dikalikan kehilangan fokus ke entropi silang?
Kerugian fokus adalah -(1 - p_t)^gamma * log(p_t). Suku (1 - p_t)^gamma menyusut menuju nol untuk prediksi yang benar dan pasti.
Apa yang terjadi pada kehilangan fokus ketika parameter pemfokusan gamma diatur ke 0?
Pada gamma = 0 faktor (1 - p_t)^0 sama dengan 1, sehingga kehilangan fokus berkurang persis ke entropi silang standar.
Apa pengaruh peningkatan gamma terhadap contoh yang mudah dan terklasifikasi dengan baik?
Gamma yang lebih tinggi membuat suku (1 - p_t)^gamma menyusut lebih cepat untuk p_t tinggi, sehingga contoh yang mudah memberikan kontribusi yang lebih kecil terhadap kehilangan dan gradien.
Arsitektur detektor mana yang menyebabkan kehilangan fokus?
Kehilangan fokus diperkenalkan dalam makalah RetinaNet tahun 2017, yang memungkinkan detektor satu tahap menyaingi metode dua tahap yang akurat.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini