Tiếp theoHướng dẫn tiếp theo
Mạng lưới Xiêm và mất ba lần
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Mất tiêu điểm để phát hiện mất cân bằng
Mất tiêu điểm là một hàm mất mát được sửa đổi nhằm giảm trọng lượng các mẫu dễ dàng để máy dò có thể tập trung vào những mẫu khó, hiếm.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.
Lặn sâu
Trong phát hiện đối tượng, một hình ảnh có thể chỉ chứa một vài đối tượng thực nhưng có hàng chục nghìn vị trí ứng cử viên, hầu hết đều là nền dễ dàng. Với entropy chéo tiêu chuẩn, lũ âm bản dễ dàng này chiếm ưu thế về độ dốc và nhấn chìm những điều tích cực hiếm có. Mất tiêu điểm, được Lin và các đồng nghiệp tại Facebook AI giới thiệu trong bài báo RetinaNet năm 2017, đã khắc phục điều này bằng cách nhân entropy chéo với hệ số (1 - p_t)^gamma. Khi một mẫu được phân loại một cách tự tin và chính xác, p_t gần bằng 1, do đó hệ số co lại về 0 và ví dụ được phân loại tốt hầu như không đóng góp gì. Các ví dụ khó, bị phân loại sai giữ trọng lượng gần như đầy đủ. Với gamma khoảng 2, RetinaNet đã khớp hoặc đánh bại các máy dò hai giai đoạn chậm hơn như Faster R-CNN trong khi vẫn duy trì mạng một lượt đơn giản.
Triển khai trong thế giới thực
Phát hiện các biển báo đường nhỏ hoặc người đi bộ ở xa trong các khung hình lái xe tự động trong đó hầu hết các pixel đều là nền.
Phát hiện các khối u hoặc tổn thương hiếm gặp trong quá trình quét y tế có mô khỏe mạnh chiếm ưu thế.
Phát hiện các khuyết tật trên dây chuyền sản xuất trong đó phần lớn các bộ phận được kiểm tra đều bình thường.
Xác định các tàu hoặc phương tiện nhỏ trong hình ảnh vệ tinh và trên không lớn.
Tương lai của mất tiêu điểm để phát hiện mất cân bằng
Mất tiêu điểm đã trở thành một thành phần mặc định ngoài RetinaNet, xuất hiện trong các máy dò như FCOS, trong phân đoạn và phân loại đuôi dài. Các biến thể như mất tiêu cự chất lượng, mất tiêu cự phân phối và mất tiêu cự đa dạng sẽ tinh chỉnh nó cho các máy dò dựa trên máy biến áp và không có neo hiện đại. Khi khả năng phát hiện chuyển sang các mô hình dự đoán theo tập hợp như DETR sử dụng kết hợp hai bên, việc tính lại trọng số theo kiểu tiêu điểm vẫn là một công cụ thiết thực ở bất cứ nơi nào tần số lớp bị sai lệch nghiêm trọng.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Focal Loss for Imbalanced Detection quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Focal Loss for Imbalanced Detection?
Mất tiêu điểm là một hàm mất mát được sửa đổi nhằm giảm trọng lượng các mẫu dễ dàng để máy dò có thể tập trung vào những mẫu khó, hiếm. Nó giải quyết được sự mất cân bằng cực độ giữa nền và vật thể làm tê liệt các máy dò vật thể một giai đoạn.
Vấn đề cốt lõi nào trong việc phát hiện đối tượng một giai đoạn được thiết kế để giải quyết tình trạng mất tiêu điểm?
Trong phát hiện dày đặc, các mẫu nền đơn giản nhiều hơn rất nhiều so với các đối tượng thực và chiếm ưu thế trong gradient entropy chéo tiêu chuẩn. Việc giảm trọng lượng tiêu điểm rất hiếm, các ví dụ khó được tính nhiều hơn.
Yếu tố điều biến mà tổn thất tiêu điểm nhân lên trên entropy chéo là gì?
Mất tiêu điểm là -(1 - p_t)^gamma * log(p_t). Số hạng (1 - p_t)^gamma giảm dần về 0 để có những dự đoán chính xác một cách tự tin.
Điều gì xảy ra với hiện tượng mất tiêu điểm khi gamma tham số lấy nét được đặt thành 0?
Ở gamma = 0, hệ số (1 - p_t)^0 bằng 1, do đó mất tiêu cự giảm chính xác về entropy chéo tiêu chuẩn.
Việc tăng gamma có tác dụng gì đối với các ví dụ dễ dàng, được phân loại tốt?
Gamma cao hơn làm cho thuật ngữ (1 - p_t)^gamma co lại nhanh hơn đối với p_t cao, vì vậy các ví dụ dễ dàng thậm chí còn đóng góp ít hơn vào sự mất mát và độ dốc.
Kiến trúc máy dò nào gây mất tiêu cự?
Mất tiêu điểm đã được giới thiệu trong bài báo RetinaNet năm 2017, cho phép máy dò một giai đoạn cạnh tranh với các phương pháp hai giai đoạn chính xác.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này