SıradakiSonraki rehber
Siyam Ağları ve Üçlü Kaybı
Teknik
Teknik KILAVUZ
Dengesiz Tespit için Odak Kaybı
Odak kaybı, dedektörün zor ve nadir olanlara odaklanabilmesi için kolay örneklerin ağırlığını azaltan değiştirilmiş bir kayıp fonksiyonudur.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Derin Dalış
Nesne tespitinde, bir görüntü yalnızca birkaç gerçek nesneyi içerebilir, ancak neredeyse tamamı kolay arka plan olan on binlerce aday konum içerebilir. Standart çapraz entropide, bu kolay negatifler seli, eğime hakim olur ve nadir pozitifleri bastırır. Lin ve Facebook AI'daki meslektaşları tarafından 2017 RetinaNet makalesinde tanıtılan odak kaybı, çapraz entropiyi (1 - p_t)^gamma faktörüyle çarparak bunu düzeltir. Bir örnek güvenli ve doğru bir şekilde sınıflandırıldığında, p_t 1'e yakındır, dolayısıyla faktör sıfıra doğru daralır ve iyi sınıflandırılmış örnek çok az katkıda bulunur. Sert, yanlış sınıflandırılmış örnekler neredeyse tam ağırlığını korur. Gama değeri 2 civarında olan RetinaNet, basit bir tek geçişli ağ olarak kalırken Faster R-CNN gibi daha yavaş iki aşamalı dedektörlerle eşleşti veya onları yendi.
Gerçek Dünya Uygulaması
Çoğu pikselin arka planda olduğu otonom sürüş çerçevelerinde küçük yol işaretlerini veya uzaktaki yayaları algılama.
Tıbbi taramalarda sağlıklı dokuların hakim olduğu nadir tümörleri veya lezyonları bulmak.
Denetlenen parçaların büyük çoğunluğunun normal olduğu bir üretim hattındaki kusurların tespit edilmesi.
Büyük uydu ve hava görüntülerinde küçük gemi veya araçların belirlenmesi.
Dengesiz Tespit için Odak Kaybının Geleceği
Odak kaybı, RetinaNet'in çok ötesinde, FCOS gibi dedektörlerde, segmentasyonda ve uzun kuyruklu sınıflandırmada görülen varsayılan bir bileşen haline geldi. Kaliteli odak kaybı, dağıtım odak kaybı ve değişken odaklı kayıp gibi varyantlar, onu modern çapasız ve transformatör tabanlı dedektörler için geliştirir. Algılama, iki parçalı eşleştirmeyi kullanan DETR gibi küme tahmin modellerine doğru kayarken, odak tarzı yeniden ağırlıklandırma, sınıf frekanslarının ciddi şekilde çarpık olduğu durumlarda pratik bir araç olmaya devam ediyor.
Uygulamaya koymak
Neden önemli?
- Maliyet ve bütçe. Mimari kararlar yıllarca performansı ve işletme maliyetini etkiler.
- Daha net kararlar. Teknik eğitim, ekiplerin yalnızca en yenisini değil, doğru yığını seçmesine de yardımcı olur.
- Kalite kontrolü. Daha iyi mühendislik seçenekleri, üretimdeki güvenilirlik olaylarını azaltır.
Dikkat edin
- Bir kıyaslamayı optimize etmek daha geniş sistem zayıflıklarını gizleyebilir.
- Altyapı ve bakım maliyetleri genellikle hafife alınır.
- Sistemler karmaşıklaştıkça güvenlik ve gözlemlenebilirlik boşlukları büyüyebilir.
Sonraki adımlar
- Uygulamadan önce gecikmeyi, kaliteyi ve maliyet hedeflerini tanımlayın.
- Gerçekçi yük ve veri koşulları altında kıyaslama yapın.
- Hatalar, sapmalar ve kullanıcı etkisi için cihaz izleme.
- Ölçeklendirmeden önce geri alma ve olay müdahale yollarını hazırlayın.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Focal Loss for Imbalanced Detection quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
What is Focal Loss for Imbalanced Detection?
Odak kaybı, dedektörün zor ve nadir olanlara odaklanabilmesi için kolay örneklerin ağırlığını azaltan değiştirilmiş bir kayıp fonksiyonudur. Tek aşamalı nesne dedektörlerini felce uğratan aşırı arka plan-nesne dengesizliğini çözdü.
Tek aşamalı nesne algılamada hangi temel sorun odak kaybının çözümü için tasarlandı?
Yoğun algılamada, kolay arka plan örneklerinin sayısı gerçek nesnelerden çok daha fazladır ve standart çapraz entropi gradyanına hakimdir. Odak kaybı o kadar nadir yeniden ağırlıklanıyor ki zor örnekler daha çok sayılıyor.
Odak kaybının çapraz entropi ile çarpılmasını sağlayan modüle edici faktör nedir?
Odak kaybı -(1 - p_t)^gamma * log(p_t) şeklindedir. (1 - p_t)^gamma terimi, güvenle doğru tahminler için sıfıra doğru küçülür.
Odaklanma parametresi gama 0'a ayarlandığında odak kaybına ne olur?
Gama = 0'da (1 - p_t)^0 faktörü 1'e eşittir, dolayısıyla odak kaybı tam olarak standart çapraz entropiye düşer.
Artan gamma, kolay ve iyi sınıflandırılmış örneklere ne yapar?
Daha yüksek gama, (1 - p_t)^gamma teriminin yüksek p_t için daha hızlı daralmasını sağlar, dolayısıyla kolay örnekler kayıp ve eğime daha da az katkıda bulunur.
Hangi dedektör mimarisi odak kaybına neden oldu?
Odak kaybı, 2017 RetinaNet makalesinde tanıtılarak, tek aşamalı bir dedektörün doğru iki aşamalı yöntemlere rakip olabilmesi sağlandı.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi