Focal

Focal Loss for Dense Object Detection

论文通过对比一阶段和二阶段检测算法结果的差异发现，样本不均衡是导致one-stagedetectors效果不如two-stagedetectors好的主要原因。因为后者的分类器是针对少量样本(如RPN得到的区域)进行学习后得到的性能较好的分类器，而一阶段分类器受到大量负样本损失值的影响，训练后的判定性能不如二阶段分类器。作者基于此重新优化了损失函数，进而解决样本不均衡带来的影响。论文中从二分类的交
hzhj·2020-07-07 10:34

Focal Loss for Dense Object Detection（RetinaNet）论文及代码解析

@[TOC](FocalLossforDenseObjectDetection(RetinaNet)论文及代码解析)FocalLossforDenseObjectDetection(RetinaNet)论文及代码解析本文针对FocalLossforDenseObjectDetection做出自己的判断和解析，不一定代表正确性（鄙人并不做目标检测。。。）论文下载链接（arxiv国内镜像）：http:
Jamence·2020-07-06 22:32

转：[论文阅读]：Focal Loss for dense Object Detection

在2D的图像检测的任务中，一种有一个比较明显的问题就是前后景数量上巨大的不平衡，背景一般远远多余前景（也就是目标），这就导致一个问题，就是背景相关的梯度几乎统治了梯度的传播过程，本文提出的FocalLoss就是试图对损失函数的形态进行更改，从而达到平衡前后景相关的loss在梯度传播中的程度。Abstract在目标检测的任务中，one-stage的方法在规则、密集采样下拥有更快更简单的潜力，但是精度
SDUATI·2020-07-06 18:24

Focal Loss for Dense Object Detection 阅读总结

FocalLossforDenseObjectDetection阅读总结FocalLossforDenseObjectDetectionICCV.2017密集目标检测中的焦距损失1.本文解决办法作者提出通过重塑交叉熵损失的标准来解决类别不平衡的问题，该函数通过减少容易分类的样本的权重，使得模型在训练时更专注难分类的样本，从而改善样本的类别不均衡问题，改善模型的优化方向。Focalloss能动态地缩
ModestYjx·2020-07-06 17:01

交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU

深度学习之损失函数小结在深度学习中，损失函数扮演着很重要的角色。通过最小化损失函数，使得模型达到收敛状态，减少模型预测值的误差。因此，不同的损失函数，对模型的影响是重大的。下面总结一下常用的损失函数：图像分类：交叉熵目标检测：Focalloss、L1/L2损失函数、IOULoss、GIOU、DIOU、CIOUIOULoss：考虑检测框和目标框重叠面积。GIOULoss：在IOU的基础上，解决边界框
假言命题·2020-07-06 17:27

Focal Loss for Dense Object Detection

FocalLossforDenseObjectDetectionAbstract1.IntroductionRelatedWork3.FocalLoss3.1.BalancedCrossEntropy3.2.FocalLossDefinition3.3.ClassImbalanceandModelInitialization3.4.ClassImbalanceandTwo-stageDetecto
小黑鸟000·2020-07-06 15:51

Focal Loss for Dense Object Detection(密集目标检测中的焦距损失)

FocalLossforDenseObjectDetection原文链接：https://arxiv.org/pdf/1708.02002.pdf作者信息：Tsung-YiLinPriyaGoyalRossGirshickKaimingHePiotrDollárFacebookAIResearch(FAIR)图1。我们提出了一个新的损失，我们称之为局部损失，它在标准交叉熵准则中增加了一个因子（1-
TJMtaotao·2020-07-06 14:17

focal loss

FocalLossforDenseObjectDetection首先,需要了解交叉熵是怎么工作的:https://blog.csdn.net/tsyccnh/article/details/79163834本文的核心公式如下:借用上面博客中的概率表:*猫青蛙老鼠Label010Pred0.30.60.1本文将该论文应用在多分类任务中的类别不平衡问题上.其中alpha是控制类别不平衡问题的超参数,每
zhuiqiuk·2020-07-06 13:01

[ 利器篇 ] - 尝试下Ubuntu 20.04 (LTS) Focal Fossa

目录apt更换下载源搜狗输入法ZshXMindInstallVentoy多合一启动盘制作Shell-ToolSecureCRTapt更换下载源Ubuntu16.04更换下载源（图形界面）Ubuntu20.04换阿里源Linux下切换Python2和Python3的4种方法Python虚拟环境virtualenv和virtualenvwrapper使用教程搜狗输入法Ubuntu20.04LTS下的搜
程序手艺人·2020-07-06 11:24

focal loss的实现

focalloss的原文https://arxiv.org/abs/1708.02002里公式写的不太清晰，只写了其中一部分（正例项），实际编程实现的时候正例项和负例项对损失的贡献都是要考虑的，很多博客里写的都是错的，下面给出正确公式。设标签为y，预测为y'，二进制交叉熵（BinaryCrossEntropy,BCE）定义为：FocalLoss（FL）如下，其中alpha推荐0.25，gamma推
_沥川往事·2020-07-06 11:50

Focal Loss for Dense Object Detection 论文解读

Paper:FocalLossforDenseObjectDetection：https://arxiv.org/abs/1708.020021、主要解决问题总览：https://blog.csdn.net/JNingWei/article/details/80038594https://www.jianshu.com/p/6388838d8ae71、FocalLossforDenseObject
ytusdc·2020-07-06 11:09

hard negative（example）mining难例挖掘与focal loss

分类任务中的样本不均衡及hardnegativemining的必要性在训练一个分类器的时候，对数据的要求是classbalance，即不同标签的样本量都要充足且相仿。然而，这个要求在现实应用中往往很难得到保证。在目标检测算法中，对于输入的一张图像，可能会生成成千上万的预选框（regionproposal），但是其中只有很少一部分是包含真实目标的，这就带来了类别不均衡问题。类别不平衡时，无用的易分反
xys430381_1·2020-07-06 09:32

paddle 尝试实现 focal loss

paddle里面没有focalloss的API，不过这个loss函数比较简单，所以决定自己实现尝试一下。在paddle里面实现类似这样的功能有两种选择：使用paddle现有的op去组合出来所需要的能力自己实现oppython端实现opC++端实现op两种思路都可以实现，但是难度相差很多，前者比较简单，熟悉paddle的数学操作，理解公式含义即可。后者又分两种方式，python端实现相对简单，C++
阿奴波仔·2020-07-06 08:27

目标检测中Loss函数：Focal Loss反向求导

focalLoss梯度求导的链式法则：转载:https://blog.csdn.net/linmingan/article/details/77885832反向传播网络的工作过程是首先进行信息的前馈，计算出各个节点的输入输出值，网络最终的输出，并把各个节点的输入输出值进行存储，利用损失函数求出最终的损失，然后进行损失的反向传播，在损失反向传播的过程中实际上是对各个节点的输出进行求梯度，那么在这个过
BigCowPeking·2020-07-06 06:32

caffe-ssd 安装+填坑+SSD的focal_loss实现（Ubuntu系统）

安装：1、安装依赖库：sudoapt-getinstalllibprotobuf-devlibleveldb-devlibsnappy-devlibopencv-devlibhdf5-serial-devprotobuf-compilersudoapt-getinstall--no-install-recommendslibboost-all-devsudoapt-getinstalllibatl
进击的小白菜·2020-07-06 05:50

论文笔记：RetinaNet（Focal Loss for Dense Object Detection）

文章目录1、摘要2、介绍3、相关研究3、焦点损失3.1、平衡交叉熵3.2、焦点损失定义3.3、类不平衡和模型初始化3.4、类不平衡和two-stage检测器4、RetinaNet检测器4.1、训练1、摘要one−stageone-stageone−stage检测器对目标可能的位置进行密集采样，相比于two−stagetwo-stagetwo−stage方法更简单、速度更快，但是精度稍显不足。作者发
牛顿爱吃香蕉·2020-07-06 03:38

论文阅读：【RetinaNet】Focal Loss for Dense Object Detection

论文地址：https://arxiv.org/pdf/1708.02002.pdf代码：Pytorch，tensorflow创新点：这篇文章重新定义目标检测中loss损失函数，引入一种新的Focalloss用来替代one-stage中的损失函数，作者分析two-stage检测方法精度优于one-stage主要由于easyeasyeasy识别样本类别与hardhardhard识别样本不均导致。对于t
Rock_Huang~·2020-07-06 02:49

Focal Loss for Dense Object Detection论文和代码理解

论文地址:https://arxiv.org/pdf/1708.02002.pdf参考https://www.aiuai.cn/aifarm636.html专业术语:hardexamples:难区分样本easyexamples:易区分样本前言：目标识别有两大经典结构，第一类是以fasterrcnn为代表的两级识别方法，这种结构的第一级专注于proposal的提取，第二级则对提取出的proposal
wanghua609·2020-07-06 02:07

Focal Loss tensorflow 实现

deffocal_loss(pred,y,alpha=0.25,gamma=2):r"""Computefocallossforpredictions.Multi-labelsFocallossformula:FL=-alpha*(z-p)^gamma*log(p)-(1-alpha)*p^gamma*log(1-p),whichalpha=0.25,gamma=2,p=sigmoid(x),z=
weixin_38167262·2020-07-06 02:37

非平衡数据集 focal loss 多类分类

ChengweiZhang翻译|汪鹏校对|斯蒂芬·二狗子审核|Pita整理|立鱼王原文链接：https://medium.com/swlh/multi-class-classification-with-focal-loss-for-i
weixin_33790053·2020-07-05 23:55

论文笔记：Focal Loss for Dense Object Detection

论文链接:https://arxiv.org/pdf/1708.02002.pdf本篇论文是何恺明及其团队17年发表在ICCV上的paper。最初用于目标检测，因为解决了分类中类别不平衡的问题，nlp中也有应用。下面是各部分的要点，并非全文翻译。Abstract目前最高精度的目标检测器是基于由R-CNN推广的two-stage方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的
vivian_ll·2020-07-05 19:46

Focal Loss for Dense Object Detection论文总结

引用：[1]https://www.jianshu.com/p/204d9ad9507f[2]https://cloud.tencent.com/developer/article/13923411.提出原因目前现有的目标检测网络为two-stage、one-stage，two-stage检测精度高速度慢；one-stage检测速度快，精度低；one-stage没有包含two-stage中提取pr
stone-jack·2020-07-05 18:54

CV-笔记-RetinaNet和Focal Loss

目录1FocalLoss1.1之前目标检测中解决样本不平衡的方法1.2Focalloss1.2.1普通的加权方式1.2.2focalloss2RetinaNet2.1FPN2.2anchor2.3打label2.4分类分支2.5回归分支2.6推理阶段Inference阶段也就是预测阶段2.5训练阶段2.5.1参数初始化网络训练细节结果引用1FocalLoss文章的题目是FocalLossforDe
风可。·2020-07-05 17:42

Paper Reading-2-Focal Loss for Dense Object Detection 及tensorflow实现

论文链接:https://arxiv.org/pdf/1708.02002.pdf1.问题在阅读这篇论文之前，我们先考虑一个问题。我们现在打算用神经网络训练一个二分类模型，但是在训练的过程中往往会遇到这样的情况：（1）正样本和反样本的样本数不相同，甚至相差悬殊（实际上往往正样本数远远小于反样本数），如何解决样本不均衡的问题？（2）在选择反样本（正样本）的过程中，很多样本都是易于区分的，也就是说，这
东泰山·2020-07-05 16:30

论文解读Focal Loss for Dense Object Detection

论文：FocalLossforDenseObjectDetection引言：目前最好的物体检测都是基于两个平台（twostage），和推荐驱动的机制（proposal-drivenmechnism），如R-CNN。近期的集合为一个平台（onestage）的工作有YOLO和SSD，他们比前者更快我们提出了一个新的损失函数用于类的区分（classimbalance），这个损失函数是一个动态缩放的交叉熵
全意·2020-07-05 15:27

focal loss论文笔记

作者提出，训练集中的类别不平衡是阻碍一阶段检测器达到与二阶段检测器相同效果的主要原因（因为在二阶段检测中，在前景和背景数量上通过启发式采样例如固定前景背景比例，onlinehardmining部分解决了这一问题），因此提出一个新的loss函数。相反在一阶段中，尽管启发式采样也被应用，但是训练过程仍然被易被分类的背景examples所主导。这一问题可以通过bootstrapping或者hardexa
龙骑士尹志华·2020-07-05 13:48

focal loss论文笔记(附基于keras的多类别focal loss代码)

一.focalloss论文FocalLossforDenseObjectDetection二.focalloss提出的目的解决one-stage目标检测是场景下前景和背景极度不平衡的情况（1：1000）让模型在训练的时候更加关注hardexamples（前景）。另外two-stage的检测器是用一下两个方法来解决类别不平衡问题的：提取候选框的过程实际上就消除了很多背景框，因为提取的候选框是大概率包
Mmm_Zzz·2020-07-05 09:58

目标检测 之 RetinaNet（Focal Loss for Dense Object Detection）

目标检测的派系：这种鱼(speed)与熊掌(accuracy)不可兼得的局面一直成为Detection的瓶颈。作者认为单阶段的精度差在于单阶段检测器中类别不平衡，负样本比例远远大于正样本，占据样本中多数，影响网络的优化。1、什么是“类别不平衡”呢？详细来说，检测算法在早期会生成一大波的bbox。而一幅常规的图片中，顶多就那么几个object。这意味着，绝大多数的bbox属于background。2
清风.伴酒.·2020-07-05 08:58

tensorflow之focal loss 实现

何凯明大佬的FocalLoss对交叉熵进行改进，主要解决分类问题中类别不均衡导致的模型训偏问题。在计算机视觉（CV）任务里常常会碰到类别不平衡的问题，例如：1.图片分类任务，有的类别图片多，有的类别图片少2.检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。训练时正负anchor的比例很悬殊.3.分割任务，背景像素数量通常远大于前景像素。从实质上来讲，它们可以归类成分类问题中
hr_net·2020-07-05 07:51

Focal Loss论文学习（含多分类任务下的focal loss公式）

FocalLossforDenseObjectDetectionFocalloss是17年由FacebookAI研究院提出发表的。目标检测深度学习的模型结构主流的以两种为主，one-stage和two-stage。由于one-stage的定位和类别预测有同一个网络输出，虽然速度上比two-stage的快，但精确度却由很大差距。FocalLoss的提出就是通过改变模型损失函数从而改变不同难易程度的样
上进的小菜鸟·2020-07-05 05:07

Focal loss论文详解

FocalLossforDenseObjectDetectionICCV2017RBG和Kaiming大神的新作。论文目标我们知道objectdetection的算法主要可以分为两大类：two-stagedetector和one-stagedetector。前者是指类似FasterRCNN，RFCN这样需要regionproposal的检测算法，这类算法可以达到很高的准确率，但是速度较慢。虽然可以
逍遥王可爱·2020-07-05 05:20

【目标检测系列：八】RetinaNet Focal Loss for Dense Object Detection

ICCV2017FocalLossforDenseObjectDetectiongithub解决类别不平衡，提出Focalloss解决one-stage目标检测中正负样本比例严重失衡的问题该损失函数降低了大量简单负样本在训练中所占的权重RetinaNetIntroduceFocalLossCE(cross-entropy)lossBalancedCElossFocalLossClassimbala
鹿鹿最可爱·2020-07-05 04:28

Pytorch版Focal Loss

Focalloss是文章FocalLossforDenseObjectDetection中提出对简单样本的进行decay的一种损失函数。是对标准的CrossEntropyLoss的一种改进。FL对于简单样本（p比较大）回应较小的loss。如论文中的图1，在p=0.6时，标准的CE然后又较大的loss，但是对于FL就有相对较小的loss回应。这样就是对简单样本的一种decay。其中alpha是对每个
bupt_cy·2020-07-05 03:52

focal loss分析图 (完善知乎的一个评论)

Focalloss全图Focalloss局部放大图首先我觉得(个人猜测)一个样本的作用大小,不是直接由它对应的loss决定的,而是由这个样本对应loss对权值w的梯度决定的.因为梯度越大,则权值更新得越多(是朝着该样本loss减小的方向更新越多)用one-hot做交叉熵loss的话,样本xix^ixi(假设属于类别k)对应的loss:lossxki=−log(yk(xi))=简写为−log(yki
caixxiong·2020-07-05 03:11

Focal Loss 论文理解及公式推导

原文：FocalLoss论文理解及公式推导-AIUAI题目:FocalLossforDenseObjectDetection-ICCV2017作者:Tsung-Yi,Lin,PriyaGoyal,RossGirshick,KaimingHe,PiotrDollar团队:FAIR精度最高的目标检测器往往基于RCNN的two-stage方法，对候选目标位置再采用分类器处理.而，one-stage目标检
AIHGF·2020-07-05 01:05

Focal Loss for Dense Object Detection

https://arxiv.org/pdf/1708.02002.pdfFocalLossforDenseObjectDetectionAbstract目标检测目前最高的准确率是基于两阶段的R-CNN，其分类器被应用于一个稀疏的候选目标位置集合。相比之下，如果将常规的，密集的可能目标位置输入到单一阶段的检测器里可能会使得模型更简洁，训练更快，但是可能准确率会受到一定影响。在本文，我们就将来探究这是
mike112223·2020-07-05 00:02

Focal Loss详解以及为什么能够提高处理不平衡数据分类的表现

不同γ设置的损失曲线Kaggle竞赛:SIIM-ISIC黑素瘤分类中，必须输出两类皮肤癌的皮肤病变图像中黑色素瘤的概率。因此它是一种二值图像分类任务。评价标准是AUC(曲线下面积)度量。首先，我研究了一个用交叉熵作为损失函数的模型。在网上搜索之后，我发现了这篇论文，FacebookAIresearch(FAIR)的团队引入了一个新的损失函数——Focalloss。我用这个损失函数得到了一个很好的A
deephub·2020-07-04 23:09

深度学习【17】物体检测：Focal Loss 反向求导及darknet上的实现

FocalLoss反向求导及darknet上的实现FocalLoss可以解决不平衡分类问题，是在交叉熵损失函数上的扩展。详见，论文：FocalLossforDenseObjectDetection。该文，主要推导FL在softmax函数下的求导，以及记录在darknet上的实现。FL损失函数如下：FL(pt)=−α(1−pt)γlog(pt)FL(pt)=−α(1−pt)γlog(pt)其中ptp
DCD_Lin·2020-07-04 21:52

Focal Loss(ICCV2017最佳学生论文)

FocalLoss的论文标题和链接：FocalLossforDenseObjectDetectionhttp://openaccess.thecvf.com/content_ICCV_2017/papers/Lin_Focal_Loss_fo
木盏·2020-07-04 21:29

Focal Loss 的Pytorch

原文：https://zhuanlan.zhihu.com/p/28527749参考：https://github.com/dinrker/Pytorch-TGS-Salt-Identification-Challenge/blob/87dbce3fdffa5c717a918994da3645b43bf281ea/net/loss.pyimporttorchgamma=torch.ones_lik
ShellCollector·2020-07-04 19:57

论文阅读：RetinaNet：Focal Loss for Dense Object Detection

文章目录1、网络总述2、whytwo-stage检测器可以相对避免难易样本失衡这个问题3、关于onestage和twostage之争4、Focalloss具体作用5、ClassImbalance6、FocalLossDefinition7、twopropertiesofthefocalloss8、ClassImbalanceandModelInitialization9、Inference10、γ
贾小树·2020-07-04 19:46

Caffe框架,训练model并测试数据

/build/tools/caffetrain--solver=examples/focal_length/focal_solver.prototxt2.测试数据importcaffefromcaffe.protoimportcaffe_pb2importnumpyasnpimportcv2run_mode
何雷·2020-07-04 17:58

Focal Loss for Dense Object Detection笔记

FocalLossforDenseObjectDetection--目的：目前目标检测的框架一般分为两种，基于候选区域的two-stage的检测框架（稀疏的候选目标位置）和基于回归的one-stage的检测框架（可能的目标位置上常规密集的采样），two-stage的精度高速度慢，one-stage的速度快但是精度稍低。导致其精度低的原因是密集检测器训练时简单-困难两类样本极度不平衡，因此论文目的修
gongp**?·2020-07-04 16:47

ICCV2017：Focal Loss for Dense Object Detection

这篇有关FocalLoss的paper是何恺明大神提出的又一经典paper，除了提出FocalLoss还提出了RetinaNet，这里就先不对RetinaNet做介绍，单纯讲讲FocalLoss目录背景简单介绍核心思想论文背景我们知道目标检测的算法主要可以分为两大类：two-stage和one-stage。前者的代表算法是R-CNN系列，可以达到很高的准确率，但是速度较慢。后者是指像YOLO这样直
cristiano20·2020-07-04 13:56

Focal Loss for Dense Object Detection(ICCV2017)论文简析

Abstract目标检测中存在的问题：速度和简易程度上：一阶段的detector>两阶段的detector精准度上：一阶段的detector=0.5的时候，仍然存在不小的loss。当在很大的易分类样本上求和时，这不小的Loss可能覆盖难分类的样本3.1BalancedCrossEntropy一个常见的方法解决类间不平衡是引入权重因子in【0,1】对于Class1，1-对于class-1。可以是类频
carlous0·2020-07-04 12:16

Focal Loss for Dense Object Detection论文阅读

论文地址：https://arxiv.org/pdf/1708.02002.pdf最近YOLO_V3版本刚刚出世，很强，下面一篇博客我们再介绍，这篇博客我们主要来读读大神何凯明的大作FocalLoss（焦点损失），其主要就是一个解决分类问题中类别不平衡、分类难度差异的一个loss。Focalloss这个损失函数在标准的交叉熵标准上添加了一个因子。目前目标检测的框架一般分为两种：基于候选区域的two
caicai2526·2020-07-04 12:39

损失函数中focal loss

focalloss用来解决样本不均衡的分类问题。假设正样本（label=1）少，负样本多，定义focalloss如下Loss=-[alpha*(1-y_hat)^2yln(y_hat)+(1-alpha)y_hat^2(1-y)*ln(1-y_hat)]其中y_hat:(batch,seq,tags)，预测出的y:(batch,seq,tags)alpha：(1,1,tags)alpha是超参数，
Bingoyear·2020-07-04 11:36

focal loss和OHEM(on-line hard example mining)如何应用到faster RCNN中

在物体检测问题中，主要分为两类检测器模型：onestagedetector（SSD,YOLO系列，retinanet）和twostagedetector（fasterRCNN系列及其改进模型），然而无论是一个阶段的检测器还是两个阶段的检测器，都使用到了anchor机制，即在特征图上密集地画anchorboxes，根据先验知识设定的IOU阈值将这些anchor划分为正样本和负样本，再对于正样本anc
WYXHAHAHA123·2020-07-04 09:04

focal loss for multi-class classification

Focalloss出自何恺明团队FocalLossforDenseObjectDetection一文，用于解决分类问题中数据类别不平衡以及判别难易程度差别的问题。文章中因用于目标检测区分前景和背景的二分类问题，公式以二分类问题为例。项目需要，解决Focalloss在多分类上的实现，用此博客以记录过程中的疑惑、细节和个人理解，Keras实现代码链接放在最后。框架：Keras（tensorflow后端
yehaihai·2020-07-04 09:02

RetinaNet——《Focal Loss for Dense Object Detection》论文翻译

《FocalLossforDenseObjectDetection》摘要迄今为止最高精度的对象检测器基于由R-CNN推广的two-stage方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的one-stage探测器具有更快和更简单的可能性，但迄今为止已经落后于two-stage探测器的精度。在本文中，我们调查为什么会这样。我们发现在密集探测器训练过程中遇
PPLLO_o·2020-07-04 07:17
上一页 6 7 8 9 10 11 12 13 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他