ДалееСледующее руководство
Сиамские сети и потеря триплета
Технический
Техническое РУКОВОДСТВО
Потеря фокуса для несбалансированного обнаружения
Фокальная потеря — это модифицированная функция потерь, которая снижает вес простых примеров, чтобы детектор мог сосредоточиться на сложных и редких.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Это решило крайний дисбаланс фона и объекта, который наносил вред одноступенчатым детекторам объектов.
Глубокое погружение
При обнаружении объектов изображение может содержать лишь несколько реальных объектов, но десятки тысяч потенциальных мест, почти все из которых являются простым фоном. При стандартной перекрестной энтропии этот поток простых негативов доминирует над градиентом и заглушает редкие позитивы. Фокальная потеря, представленная Лин и его коллегами из Facebook AI в статье RetinaNet 2017 года, исправляет это путем умножения перекрестной энтропии на коэффициент (1 - p_t)^гамма. Когда выборка классифицирована уверенно и правильно, p_t приближается к 1, поэтому коэффициент сжимается к нулю, и хорошо классифицированный пример практически не вносит вклад. Жесткие, неправильно классифицированные примеры сохраняют почти полный вес. С гаммой около 2 RetinaNet соответствовала или превосходила более медленные двухэтапные детекторы, такие как Faster R-CNN, оставаясь при этом простой однопроходной сетью.
Реальная реализация
Обнаружение небольших дорожных знаков или далеких пешеходов в кадрах автономного вождения, где большинство пикселей являются фоном.
Обнаружение редких опухолей или поражений при медицинском сканировании, в которых преобладают здоровые ткани.
Обнаружение дефектов на производственной линии, где подавляющее большинство проверяемых деталей являются нормальными.
Идентификация малых судов или транспортных средств на крупных спутниковых и аэрофотоснимках.
Будущее потери фокуса для несбалансированного обнаружения
Фокальная потеря стала компонентом по умолчанию далеко за пределами RetinaNet, появляясь в таких детекторах, как FCOS, в сегментации и в классификации с длинным хвостом. Такие варианты, как потеря фокуса качества, потеря фокуса распределения и варифокальная потеря, улучшают его для современных детекторов без якоря и детекторов на основе трансформатора. Поскольку обнаружение смещается в сторону моделей прогнозирования набора, таких как DETR, которые используют двустороннее сопоставление, повторное взвешивание в фокусном стиле остается практическим инструментом там, где частоты классов сильно искажены.
Применение на практике
Почему это важно
- Стоимость и бюджет. Архитектурные решения влияют на производительность и эксплуатационные расходы на протяжении многих лет.
- Более четкие решения. Техническое образование помогает командам выбрать правильный стек, а не только самый новый.
- Контроль качества. Лучший инженерный выбор снижает вероятность возникновения проблем с надежностью на производстве.
Следите за
- Оптимизация одного теста может скрыть более широкие недостатки системы.
- Затраты на инфраструктуру и техническое обслуживание часто недооцениваются.
- Пробелы в безопасности и наблюдаемости могут увеличиваться по мере усложнения систем.
Следующие шаги
- Определите целевые показатели задержки, качества и стоимости перед внедрением.
- Тестирование при реалистичной нагрузке и условиях данных.
- Мониторинг прибора на наличие ошибок, дрейфа и влияния пользователя.
- Перед масштабированием подготовьте пути отката и реагирования на инциденты.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Focal Loss for Imbalanced Detection quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Что такое потеря фокуса для несбалансированного обнаружения?
Фокальная потеря — это модифицированная функция потерь, которая снижает вес простых примеров, чтобы детектор мог сосредоточиться на сложных и редких. Это решило крайний дисбаланс фона и объекта, который наносил вред одноступенчатым детекторам объектов.
Какую основную проблему одноэтапного обнаружения объектов призвана решить потеря фокуса?
При плотном обнаружении простых фоновых примеров значительно больше, чем реальных объектов, и они доминируют над стандартным градиентом перекрестной энтропии. Фокальные потери перевешивают настолько редко, что тяжелые примеры имеют большее значение.
Каков модулирующий фактор, благодаря которому потеря фокуса умножается на перекрестную энтропию?
Потеря фокуса равна -(1 - p_t)^gamma * log(p_t). Член (1 - p_t)^gamma сжимается к нулю для уверенно правильных прогнозов.
Что происходит с потерей фокуса, когда параметр фокусировки гамма установлен на 0?
При гамма = 0 коэффициент (1 - p_t)^0 равен 1, поэтому потеря фокуса уменьшается точно до стандартной перекрестной энтропии.
Что делает увеличение гаммы с простыми, хорошо классифицированными примерами?
Более высокая гамма заставляет член (1 - p_t)^gamma сжиматься быстрее для высоких p_t, поэтому простые примеры еще меньше способствуют потерям и градиенту.
Какая архитектура детектора привела к потере фокуса?
Фокальная потеря была представлена в статье RetinaNet 2017 года, что позволило одноэтапному детектору конкурировать с точными двухэтапными методами.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме