Focal Loss for Dense Object Detection

最新推荐文章于 2024-04-16 20:27:42 发布

hzhj

最新推荐文章于 2024-04-16 20:27:42 发布

阅读量232

点赞数

分类专栏：检测算法损失函数文章标签： Focus Loss RetinaNet

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/hzhj2007/article/details/89973605

版权

检测算法同时被 2 个专栏收录

14 篇文章

订阅专栏

5 篇文章

订阅专栏

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-stage detectors效果不如two-stage detectors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叉熵损失函数入手，形式如下。CE损失函数有个明显的特点是即使预测置信度较大时，由ce得到的损失值也不小。这样总的损失值中数量较少类别的损失值将占很小比例，因为大量预测置信度较大样本的损失值求和后的值依然很大。(论文是想通过损失函数解决样本数量不均衡的问题，只是此处将易分类样本和样本数量多的类别间接划上了等号)。

$CE(p,y)=\left\{\begin{matrix} -log(p) \\ -log(1-p)) \end{matrix}\right. \begin{matrix} if y=1\\otherwise \end{matrix}$

通常处理样本不均衡问题时，会在对应类别的损失值前添加权重 $\alpha$ 。其中 $\alpha$ 由样本频率或交叉验证得到。此时损失函数的形式如下。

$CE(p{_{t}})=-\alpha {_{t}}log(p{_{t}})$

上述损失函数中仅考虑了正负样本数量带来的影响，并没有考虑由样本分类的难易程度带来的影响。因次才有了本论文对损失函数的进一步改进，得到如下损失函数。

$FL(p{_{t}})=-(1-p{_{t}}){^{\gamma }}log(p{_{t}})$

改进后的Focus Loss有两个性质：误分类样本的损失值几乎不受影响，另一方面减小了正确分类且分类置信度较高样本损失值的权重； $\gamma$ 可平滑的调节易分类样本损失值的权重，即随着 $\gamma$ 的增大，调节因子 $(1-p{_{t}}){^{\gamma }}$ 的值也在增加。

交叉熵损失函数的基本形式不变，但是可以通过修改预测概率 $p{_{t}}$ 的值(如人脸损失函数的各种变体)和损失值的权重(如Focus Loss)对其进行改进，从而得到分类性能更好的网络。

参考文献：

Focal Loss for Dense Object Detector

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。