Il prossimoProssima guida
Reti siamesi e perdita di triplette
Tecnico
GUIDA TECNICA
La perdita focale è una funzione di perdita modificata che riduce il peso degli esempi facili in modo che un rilevatore possa concentrarsi su quelli difficili e rari.
Ascolta questa guidaNarrato dall'IA · ~2 min
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Nel rilevamento degli oggetti, un'immagine può contenere solo pochi oggetti reali ma decine di migliaia di posizioni candidate, quasi tutte facili da sfondo. Con l’entropia incrociata standard, questo flusso di facili aspetti negativi domina il gradiente e soffoca i rari aspetti positivi. La perdita focale, introdotta nel documento RetinaNet del 2017 da Lin e colleghi di Facebook AI, risolve questo problema moltiplicando l’entropia incrociata per un fattore (1 - p_t)^gamma. Quando un campione viene classificato in modo sicuro e corretto, p_t è vicino a 1, quindi il fattore si riduce verso zero e l'esempio ben classificato contribuisce a malapena. Gli esempi duri e classificati erroneamente mantengono il peso quasi totale. Con una gamma intorno a 2, RetinaNet ha abbinato o battuto rilevatori a due stadi più lenti come Faster R-CNN pur rimanendo una semplice rete a passaggio singolo.
Rilevamento di piccoli segnali stradali o pedoni distanti in inquadrature di guida autonoma in cui la maggior parte dei pixel sono sullo sfondo.
Individuazione di tumori o lesioni rari nelle scansioni mediche dominate da tessuti sani.
Individuazione dei difetti su una linea di produzione in cui la stragrande maggioranza delle parti ispezionate sono normali.
Identificazione di piccole imbarcazioni o veicoli in immagini satellitari e aeree di grandi dimensioni.
La perdita focale è diventata un ingrediente predefinito ben oltre RetinaNet, apparendo in rilevatori come FCOS, nella segmentazione e nella classificazione a coda lunga. Varianti come la perdita focale di qualità, la perdita focale di distribuzione e la perdita varifocale lo perfezionano per i moderni rilevatori senza ancoraggio e basati su trasformatore. Poiché il rilevamento si sposta verso modelli di previsione di insiemi come DETR che utilizzano la corrispondenza bipartita, la riponderazione di tipo focale rimane uno strumento pratico ovunque le frequenze delle classi siano gravemente distorte.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La perdita focale è una funzione di perdita modificata che riduce il peso degli esempi facili in modo che un rilevatore possa concentrarsi su quelli difficili e rari. Ha risolto l’estremo squilibrio tra sfondo e oggetto che paralizzava i rilevatori di oggetti a uno stadio.
Nel rilevamento denso, gli esempi di sfondo semplici superano di gran lunga gli oggetti reali e dominano il gradiente di entropia incrociata standard. Le perdite focali vengono riponderate in modo così raro che gli esempi difficili contano di più.
La perdita focale è -(1 - p_t)^gamma * log(p_t). Il termine (1 - p_t)^gamma si riduce verso lo zero per previsioni corrette con sicurezza.
A gamma = 0 il fattore (1 - p_t)^0 è uguale a 1, quindi la perdita focale si riduce esattamente all'entropia incrociata standard.
Una gamma più elevata fa sì che il termine (1 - p_t)^gamma si riduca più velocemente per p_t elevato, quindi esempi semplici contribuiscono ancora meno alla perdita e al gradiente.
La perdita focale è stata introdotta nel documento RetinaNet del 2017, consentendo a un rilevatore a uno stadio di competere con metodi accurati a due stadi.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Reti siamesi e perdita di triplette
Tecnico