引导式测验 · 中等 等级

不平衡检测测验的焦点损失

检查焦点损失调制器、类不平衡、alpha 和 gamma 的作用，以及分类良好的示例和困难示例的差异。

相关引导路径不平衡检测的焦点损失
问题 1 的 8

焦点损失旨在解决单阶段目标检测中的哪些核心问题？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 焦点损失旨在解决单阶段目标检测中的哪些核心问题？
    • 罕见的前景物体和丰富的简单背景之间的极度不平衡
    • 两级检测器推理速度慢
    • 缺乏标记的训练数据
    • 对大对象过度拟合
  2. 焦点损失乘以交叉熵的调节因子是什么？
    • 日志（p_t）
    • (1 - p_t)^伽玛
    • 仅 p_t^2
    • 1 / 点
  3. 当聚焦参数gamma设置为0时，焦点损失会发生什么？
    • 变成均方误差
    • 它忽略了所有正面例子
    • 就变成了普通的交叉熵
    • 它发散至无穷大
  4. 增加伽玛对于简单、分类良好的示例有何作用？
    • 增加他们的损失贡献
    • 保持他们的贡献不变
    • 从数据集中删除它们
    • 更强烈地抑制他们的损失贡献
  5. 哪种探测器架构引入了焦损？
    • 视网膜网络
    • YOLOv1
    • 更快的 R-CNN
    • 亚历克斯网
  6. alpha 参数通常与 gamma 一起发挥什么作用？
    • 它设置学习率
    • 它平衡了正类与负类的相对权重
    • 它控制图像分辨率
    • 它定义了锚框的数量
  7. For a hard example with p_t close to zero, what is the focal modulating factor (1 − p_t)^gamma likely to do?
    • Drive the factor to zero
    • Turn the example into a positive label
    • Keep the factor relatively close to one so the example retains substantial loss weight
    • Replace the cross-entropy term with alpha
  8. A dense detector has many easy background locations. What effect does focal loss aim to have on their combined training influence?
    • Increase their count by duplicating them
    • Remove all positive object examples
    • Make every example receive an identical loss
    • Reduce their dominance so training can focus more on sparse hard examples