SeesawLoss是一种针对长尾分布问题的损失函数，旨在通过调整类别间的负样本梯度来改善检测性能。它考虑了类样本频率和误分样本损失，通过逆类别频率（MitigationFactor）和误分惩罚补偿（CompensationFactor）来动态调整负样本的影响。此外，SeesawLoss还引入了归一化的线性激活，提高模型的泛化能力。
Seesaw Loss总结
1、简介
seesaw loss是为了解决长尾问题提出的损失函数，文章认为尾部类别的正负样本梯度不均衡时影响长尾检测性能的关键因素之一。seesaw loss可以针对性调整任意类别上的负样本梯度。
由于尾部类别的正负样本不均衡，导致了尾部正负样本梯度不均衡，从而影响了检测器的性能。
画一下长尾梯度。
2、定义
seesaw loss的数学表达如下：
Lseesaw(z)=−∑i=1Cyilog(σ^),with σ^=ezi∑j≠icSijezj+eei L_{seesaw}(z)=-\sum_{i=1}^C{y_ilog(\hat\sigma)},\\ with \hat\sigma=\frac{e^{z_i}}{\sum_{j\ne i}^cS_{ij}e^{z_j}+e^{e_i}} Lseesaw(z)=−i=1∑Cyilog(σ^),with σ^=∑j=icSijezj+eeiez
最低0.47元/天 解锁文章
扫一扫
1256
到【灌水乐园】发言
