FocalLoss损失函数

最新推荐文章于 2024-12-18 20:22:49 发布

卑微的搬运工o

最新推荐文章于 2024-12-18 20:22:49 发布

阅读量2.4k

点赞数 1

CC 4.0 BY-SA版权

文章标签：目标检测 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/IThsyi/article/details/124018998

本文深入探讨了RetinaNet中的Focal Loss函数，讲解了α系数如何平衡正负样本比例，以及γ系数如何关注难分类样本。重点介绍了这两个参数如何优化目标检测模型性能，适合对深度学习目标检测感兴趣的读者。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

RetinaNet算法是基于anchor-based的目标检测模型，为了验证创新点focal loss的有效性提出RetinaNet网络。

FocalLoss损失函数：

$FL(Pt)=-\alpha_{t}(1-P_{t})^{\gamma }log(P_{t})$

$\alpha _{t}=\left\{\begin{matrix}\alpha ,y=1 & \\ 1-\alpha ，否则 & \end{matrix}\right。$

$P_{t}=\left\{\begin{matrix}P ,y=1 & \\ 1-P ，否则 & \end{matrix}\right。$

α的作用：降低了大量简单负样本在训练中所占的权重，平衡正负样本本身的比例不均，论文中alpha取0.25，即正样本要比负样本占比小，这是因为负例易分。
γ的作用：虽然上式可以控制正负样本的权重，但是没法控制容易分类和难分类样本的权重，因此加入调节系数，目的是通过减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本。

关于α和γ的作用细节，后续有时间我会补充的详细一点，有些博客写的还是很详细的，不过能按自己的思路写一遍可以帮助自己更好的理解，对以后的复习也会有很大的帮助~

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。