Focal loss 和 GHM
Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义,效果也非常令人称赞。
GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019,是基于Focal loss的改进,也是个人推荐的一篇深度学习必读文章。
1、Focal Loss
Focal Loss的引入主要是为了解决难易样本数量不平衡(注意,区别于正负样本数量不平衡)的问题,实际可以使用的范围非常广泛,为了方便解释,还是拿目标检测的应用场景来说明:
单阶段的目标检测器通常会产生高达100k的候选目标,只有极少数是正样本,正负样本数量非常不平衡。我们在计算分类的时候常用的损失——交叉熵的公式如下:
为了解决正负样本不平衡的问题,我们通常会在交叉熵损失的前面加上一个参数,其实之前在上色项目的处理中,我们有通过计算不同类别的像素数目,然后基于像素数对不同类别赋予不同的权重,即:
尽管权重系数平衡了正负样本,但对难易样本的不平衡没有任何帮助。而实际上,目标检测中大量的候选目标都是易分样本。由于数量极不平衡,易分样本的数量相对来讲太多,最终主导了总的损失。而本文的作者认为,易分样本(即,置信度高的样本)对模型的提升效果非常小,模型应该主要关注与那些难分样本(这个假设是有问题的,是GHM的主要改进对象)
这时候,Focal Loss就上场了!
一个简单的思想:把高置信度§样本的损失再降低一些不就好了吗!
这样以来,训练过程关注对象的排序为正难>负难>正易>负易。
2、GHM
那么,Focal Loss存在什么问题呢?
首先,让模型过多关注那些特别难分的样本肯定是存在问题的,样本中有离群点(outliers),可能模型已经收敛了但是这些离群点还是会被判断错误,让模型去关注这样的样本,怎么可能是最好的呢?这个思想倒是类似于RANSAC对最小二乘的改进。
其次, 两个权重系数的取值全凭实验得出,且权重afa 和 权重gama要联合起来一起实验才行。
GHM(gradient harmonizing mechanism) 解决了上述两个问题。
说白了就是在概率梯度的两端,较为难分的样本和较为易分的样本会集中;这个时候以梯度的倒数作为惩罚系数,可以很好的平衡计算样本带来的负面效应。
因此作者引入梯度密度的概念,并在此基础上使用梯度系数的倒数作为惩罚权重,使得模型更为关注中间区域的易分对象,对极端容易分辨的和极端难以分辨的予以忽视。
Focal loss 和 GHM相关推荐
- 【深度学习】Focal Loss 与 GHM——解决样本不平衡问题
Focal Loss 与 GHM Focal Loss Focal Loss 的提出主要是为了解决难易样本数量不平衡(注意:这有别于正负样本数量不均衡问题)问题.下面以目标检测应用场景来说明. 一些 ...
- 寻找解决样本不均衡方法之Focal Loss与GHM
寻找解决样本不均衡方法之Focal Loss与GHM 主要参考资料:5分钟理解Focal Loss与GHM--解决样本不平衡利器 - 知乎 (zhihu.com) Focal Loss的引入主要是为了 ...
- Focal Loss与GHM 理解与使用
一.理解 5分钟理解Focal Loss与GHM--解决样本不平衡利器 https://zhuanlan.zhihu.com/p/80594704 二.使用 GHM论文理解及实现 https://zh ...
- 焦点损失函数 Focal Loss 与 GHM
文章来自公众号[机器学习炼丹术] 1 focal loss的概述 焦点损失函数 Focal Loss(2017年何凯明大佬的论文)被提出用于密集物体检测任务. 当然,在目标检测中,可能待检测物体有10 ...
- (HEM/OHEM)hard negative(example)mining难例挖掘 与focal loss、GHM损失函数
目录 分类任务中的样本不均衡及hard negative mining的必要性 hard negative example HEM(hard example/negative mining) 与 OH ...
- 5分钟理解Focal Loss与GHM
Focal Loss Focal Loss的引入主要是为了解决难易样本数量不平衡(注意,有区别于正负样本数量不平衡)的问题,实际可以使用的范围非常广泛,为了方便解释,还是拿目标检测的应用场景来说明: ...
- 前景背景样本不均衡解决方案:Focal Loss,GHM与PISA(附python实现代码)
参考文献:Imbalance Problems in Object Detection: A Review 1 定义 在前景-背景类别不平衡中,背景占有很大比例,而前景的比例过小,这类问题是不可避免的 ...
- 目标检测中的样本不平衡处理方法——OHEM, Focal Loss, GHM, PISA
GitHub 简书 CSDN 文章目录 1. 前言 2. OHEM 3. Focal Loss 3.1 Cross Entropy 3.2 Balanced Cross Entropy 3.3 Foc ...
- pytorch focal loss
focal loss的改进1: Focal Loss改进版 GFocal Loss_jacke121的专栏-CSDN博客_focal loss改进 focal loss的改进2: GHM loss 讲 ...
最新文章
- Machine Learning | (4) Scikit-learn的分类器算法-逻辑回归
- eclipse可以写前端吗_Python 竟然也可以写网页前端了!
- Nature:研究人员设计稳定器来改善脑机接口
- linux 核间通讯rpmsg架构分析
- Qt Creator编辑状态图
- why I could not see login popup in SAP Fiori Application
- Android:SharedPreferences详解+示例
- Java高并发编程详解系列-线程安全数据同步
- laravel 方法摘要
- Google AI 骗过了 Google,工程师竟无计可施?
- 实现鼠标放上高亮显示,鼠标移出显示原来的颜色
- 如何找到CPU飙升的原因
- 8086/8088寻址方式
- Python—基础篇(三)
- C语言中strstr函数功能及用法
- Qt QSet 详解:从底层原理到高级用法
- python歌词分析_Python 词云分析周杰伦新歌《说好不哭》
- 利用海关数据找国外客户怎么样?
- E71-433MS30芯片(CC1310无线模块 )mosbus协议通信(主机)
- #C51 IIC通讯(底层配置时序)