SeterusnyaPanduan seterusnya
Rangkaian Siam dan Kerugian Bertiga
Teknikal
PANDUAN Teknikal
Kehilangan Tumpuan untuk Pengesanan Tidak Seimbang
Kehilangan fokus ialah fungsi kehilangan yang diubah suai yang mengurangkan berat contoh mudah supaya pengesan boleh memfokus pada yang sukar dan jarang berlaku.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
Ia menyelesaikan ketidakseimbangan latar belakang-berbanding-objek yang melampau yang melumpuhkan pengesan objek satu peringkat.
Menyelam dalam
Dalam pengesanan objek, imej mungkin mengandungi hanya beberapa objek sebenar tetapi berpuluh-puluh ribu lokasi calon, hampir kesemuanya adalah latar belakang yang mudah. Dengan entropi silang standard, banjir negatif mudah ini menguasai kecerunan dan menenggelamkan positif yang jarang berlaku. Kehilangan fokus, yang diperkenalkan dalam kertas RetinaNet 2017 oleh Lin dan rakan sekerja di Facebook AI, membetulkannya dengan mendarab silang entropi dengan faktor (1 - p_t)^gamma. Apabila sampel dikelaskan dengan yakin dan betul, p_t adalah hampir 1, jadi faktor mengecut ke arah sifar dan contoh yang dikelaskan dengan baik hampir tidak menyumbang. Contoh yang keras dan salah klasifikasi mengekalkan berat hampir penuh. Dengan gamma sekitar 2, RetinaNet memadankan atau mengalahkan pengesan dua peringkat yang lebih perlahan seperti Faster R-CNN sambil mengekalkan rangkaian laluan tunggal yang ringkas.
Pelaksanaan Dunia Sebenar
Mengesan papan tanda jalan kecil atau pejalan kaki yang jauh dalam bingkai pemanduan autonomi yang kebanyakan piksel adalah latar belakang.
Menemui tumor atau lesi yang jarang berlaku dalam imbasan perubatan yang dikuasai oleh tisu yang sihat.
Mengesan kecacatan pada barisan pembuatan di mana sebahagian besar bahagian yang diperiksa adalah normal.
Mengenal pasti kapal atau kenderaan kecil dalam imej satelit dan udara yang besar.
Masa Depan Kehilangan Tumpuan untuk Pengesanan Tidak Seimbang
Kehilangan fokus telah menjadi bahan lalai jauh di luar RetinaNet, muncul dalam pengesan seperti FCOS, dalam pembahagian dan dalam pengelasan berekor panjang. Varian seperti kehilangan fokus kualiti, kehilangan fokus pengedaran dan kehilangan fokus varifo memperhalusinya untuk pengesan moden tanpa sauh dan berasaskan pengubah. Apabila pengesanan beralih ke model ramalan set seperti DETR yang menggunakan padanan dwipartit, wajaran semula gaya fokus kekal sebagai alat praktikal di mana-mana sahaja frekuensi kelas sangat condong.
Mempraktikkannya
Mengapa ia penting
- Kos dan bajet. Keputusan seni bina memacu prestasi dan kos operasi selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknikal membantu pasukan memilih timbunan yang betul, bukan hanya yang terbaharu.
- Kawalan kualiti. Pilihan kejuruteraan yang lebih baik mengurangkan insiden kebolehpercayaan dalam pengeluaran.
Berhati-hati untuk
- Mengoptimumkan satu penanda aras boleh menyembunyikan kelemahan sistem yang lebih luas.
- Kos infrastruktur dan penyelenggaraan sering dipandang remeh.
- Jurang keselamatan dan pemerhatian boleh berkembang apabila sistem menjadi lebih kompleks.
Langkah seterusnya
- Tentukan sasaran kependaman, kualiti dan kos sebelum pelaksanaan.
- Penanda aras di bawah beban realistik dan keadaan data.
- Pemantauan instrumen untuk ralat, drift dan kesan pengguna.
- Sediakan laluan balik dan tindak balas insiden sebelum penskalaan.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Focal Loss for Imbalanced Detection quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
Apakah Kehilangan Fokus untuk Pengesanan Tidak Seimbang?
Kehilangan fokus ialah fungsi kehilangan yang diubah suai yang mengurangkan berat contoh mudah supaya pengesan boleh memfokus pada yang sukar dan jarang berlaku. Ia menyelesaikan ketidakseimbangan latar belakang-berbanding-objek yang melampau yang melumpuhkan pengesan objek satu peringkat.
Apakah masalah teras dalam pengesanan objek satu peringkat yang kehilangan fokus direka untuk ditangani?
Dalam pengesanan padat, contoh latar belakang yang mudah jauh melebihi objek sebenar dan mendominasi kecerunan rentas entropi standard. Wajaran semula kehilangan fokus sangat jarang berlaku, contoh yang sukar dikira lebih banyak.
Apakah faktor modulasi yang kehilangan fokus berganda kepada entropi silang?
Kehilangan fokus ialah -(1 - p_t)^gamma * log(p_t). Sebutan (1 - p_t)^gamma mengecut ke arah sifar untuk ramalan yang betul dengan yakin.
Apakah yang berlaku kepada kehilangan fokus apabila gamma parameter pemfokusan ditetapkan kepada 0?
Pada gamma = 0 faktor (1 - p_t)^0 sama dengan 1, jadi kehilangan fokus berkurangan tepat kepada entropi silang standard.
Apakah kesan peningkatan gamma kepada contoh yang mudah dan terklasifikasi dengan baik?
Gamma yang lebih tinggi menjadikan istilah (1 - p_t)^gamma mengecut lebih cepat untuk p_t tinggi, jadi contoh mudah menyumbang lebih sedikit kepada kehilangan dan kecerunan.
Seni bina pengesan manakah yang memperkenalkan kehilangan fokus?
Kehilangan fokus telah diperkenalkan dalam kertas RetinaNet 2017, membolehkan pengesan satu peringkat menyaingi kaedah dua peringkat yang tepat.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini