没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
RetinaNet(损失函数部分)
2018 年 07 月 22 日 17:41:38很美味的小猪猪 阅读数:807
主要是由 结构,是 的检测算法。
!!"
# 的算法主要可以分为两大类:two-stage detector 和
one-stage detector。前者是指类似 $%,$% 这样需要
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。虽然可以通过减少 的数量或降低输入图像的分辨率等方式达到
提速,但是速度并没有质的提升。后者是指类似 &'(',))* 这样不需要
,直接回归的检测算法,这类算法速度很快,但是准确率不
如前者。作者提出 focal loss 的出发点也是希望 one-stage detector 可
以达到 two-stage detector 的准确率,同时不影响原有的速度。
既然有了出发点,那么就要找 one-stage detector 的准确率不如 two-
stage detector 的原因,作者认为原因是:样本的类别不均衡导致的。我们
知道在 # 领域,一张图像可能生成成千上万的
,但是其中只有很少一部分是包含 # 的,这就带来了类别不均
衡。那么类别不均衡会带来什么后果呢?引用原文讲的两个后果:(1)
training is inecient as most locations are easy negatives
that contribute no useful learning signal; (2) en masse, the
easy negatives can overwhelm training and lead to
degenerate models.+什么意思呢?负样本数量太大,占总的 loss 的大部
分,而且多是容易分类的,因此使得模型的优化方向并不是我们所希望的那样。
其实先前也有一些算法来处理类别不均衡的问题,比如 ',-.(
/00 ),',-. 的主要思想可以用原文的一句话概括:1',-.
资源评论
- 16324015412019-11-26感觉远远不值5个积分,1个最多
- 海神8002021-11-30好用,感谢分享!
invisible_2018
- 粉丝: 27
- 资源: 12
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功