Focal Loss改进版 GFocal Loss

已于 2022-03-11 14:57:41 修改
阅读量8.9k 收藏 23
点赞数 2
分类专栏： 目标检测 深度学习宝典 文章标签： 目标检测 yolo系列
于 2020-10-07 21:55:05 首次发布
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/jacke121/article/details/108956400
版权
GFocal Loss是Focal Loss的增强版，旨在解决目标检测中分类得分和质量估计不一致以及边界框表示灵活性不足的问题。通过联合表示分类和质量估计，并回归任意分布来建模边界框表示，GFocal Loss在不增加计算成本的情况下提升了检测器的性能。实验表明，GFocal Loss在ResNet50和ResNeXt-101-32x4d-DCN基线上分别提高了1.0和4.9的AP值，同时在速度和精度之间取得了良好的平衡。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
pytorch focal loss
jacke121的专栏
04-17 2682
import torch gamma = torch.ones_like(focal_weight).cuda() gamma[focal_weight > 0.5] = 0.4 gamma[focal_weight < 0.5] = 2.2 focal_weight = alpha_fac...
focalloss是如何优化的
qq_41626518的博客
04-01 650
loss的优化原理 我们都知道反向传播是计算梯度调整权重参数，使得loss不断变小的一个过程 梯度的计算是通过loss计算得来。 一个batch里的样本，计算每个样本的梯度求和平均，作为最后模型的调整梯度。 问题就在这里，平均，那就是把每个样本需要的梯度直接取均值，如果样本中某个分类的样本点很多，那么模型的调整方向将大幅度靠近更易区分这类样本的模型优化方向。穷的更穷，富得更富，几个batch下来，好分类的基本没问题了，难分类的也就更难区分了。 所以，loss优化根本目的就是要改变模型的优化方向，不能一直向易
Yolo v8 改进损失函数：Focal-loss
热门推荐
Phoebee_c的博客
07-26 1万+
param alpha: 阿尔法α,类别权重. 当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.25。self.alpha[1:] += (1 - alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
目标检测无痛涨点：大白话 Generalized Focal Loss
我爱计算机视觉
07-10 4942
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/147691786解读论文：Generalized Focal Loss: Learni...
Distribution Focal Loss
最新发布
qingqiqiuwhy的博客
03-21 523
Distribution Focal Loss
NeurIPS 2020 | Focal Loss改进版来了！GFocal Loss：良心技术，无Cost涨点！
weixin_36896856的博客
10-03 1649
点击上方“AI遇见机器学习”，选择“星标”公众号重磅干货，第一时间送达 论文已上传，文末附下载方式本文作者：李翔https://zhuanlan.zhihu.com/p/14769178...
快速理解Focal Loss及其改进
qq_37937847的博客
12-03 2428
快速理解Focal Loss及其改进 https://zhuanlan.zhihu.com/p/80594704
Focal Loss升级 | E-Focal Loss让Focal Loss动态化，类别极端不平衡也可以轻松解决
weixin_38353277的博客
03-09 2933
Focal Loss升级 | E-Focal Loss让Focal Loss动态化，类别极端不平衡也可以轻松解决1简介相关工作2.1 普通目标检测1、两阶段目标检测2、一阶段目标检测2.2 Long-Tailed 目标检测3本文方法3.1 再看Focal Loss3.2 Equalized Focal Loss1、Focusing Factor2、Weighting FactorPyTorch实现如下： 尽管最近长尾目标检测取得了成功，但几乎所有的长尾目标检测器都是基于两阶段范式开发的。在实践中，一阶段检
NeurIPS2020 Generalized Focal Loss论文翻译
Q1u1NG的博客
09-20 1772
Generalized Focal Loss论文翻译摘要1. 介绍 光流边缘引导的视频补全算法 论文地址：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 摘要 one-stage检测器基本将目标检测制定为稠密分类和定位(即边框回归)。分类通常由Focal loss优化，边框定位一般用狄拉克δ函数来学习。one-stage检测器的最新趋势是引入一个单独的预测
《Generalized Focal Loss V2》论文笔记
m_buddy的博客
12-13 2390
参考代码：GFocalV2 1. 概述 导读：这篇文章是在之前V1版本的基础上增强了目标检测中定位质量估计能力。在之前的一些网络中会在分类分支和检测分支的特征图基础上实现定位质量的估计（如IoUNet、FCOS），但是会存在training和infer阶段的gap。对此在GFocal V1的版本中提出了质量感知的预测头，从而弥补了training和infer的gap。而这篇文章更进一步使用4个边界框的概率分布作为额外信息输入，使得质量感知分支能够获取检测框边界的信息，从而进一步提升质量感知分支的准确度。
yolov8改进Gfocal
01-07
以下是针对YOLOv8框架下的Python代码片段，展示了如何定义一个改进版的GfocalLoss类： ```python import torch.nn as nn import torch class ImprovedGfocalLoss(nn.Module): def __init__(self, alpha=0.25, ...
focal Loss 损失函数
weixin_43570470的博客
03-16 1618
一、正负样本不均衡问题 Class Imbalance(正负样本不平衡) 带来的问题就是：样本中会存在大量的easy examples，且都是负样本(属于背景的样本)。这样，easy negative examples会对loss起主要贡献作用，会主导梯度的更新方向，网络学不到有用的信息，无法对object进行准确分类。 还有一个问题，为什么two stage不会有这样的问题呢或者为什么two stage没有one stage这么严重呢？ 因为，对于two stage来说，首先利用RPN产生region p
focal loss 改进交叉熵损失函数
prin1127的博客
05-16 684
探索Focal Loss：优化深度学习中的类别不平衡问题
gitblog_00003的博客
04-17 666
探索Focal Loss：优化深度学习中的类别不平衡问题 去发现同类优质开源项目:https://gitcode.com/ 在机器学习尤其是深度学习中，类别不平衡是一个常见的挑战。这意味着数据集中某一类别的样本数量远大于其他类别，导致模型在训练时倾向于优先关注多数类，忽视少数类。为了解决这个问题，开发者Unsky创建了一个名为Focal Loss的项目，其源代码托管在GitCode上。本文将深入探...
Generalized Focal Loss
星月野的博客
09-26 963
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection https://arxiv.org/abs/2006.04388 Background one-stage的目标检测任务一般将任务划分为两个方向：classification和localization，在网络训练过程中，这两个方向一般是独立进行优化的，如下图所示。 图1 传统detection任务
focalloss pytorch
weixin_38241876的博客
11-24 569
class FocalLoss(nn.Module): # Wraps focal loss around existing loss_fcn(), i.e. criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5) def __init__(self, loss_fcn, gamma=1.5, alpha=0.25): super(FocalLoss, self).__init__() self.los.
Focal loss详解与分析
slamer111的博客
09-06 1145
Focal loss通俗易懂的原理讲解
【目标检测】One-Stage无痛涨点 —— ATSS
Bryce-HJ
02-03 1025
dissect 英[dɪˈsekt] v. 解剖(人或动植物); 仔细研究; 详细评论; 剖析; 把…分成小块; [例句]Her latest novel was dissected by the critics. 评论家对她最近出版的一部小说作了详细剖析。 结果表格 we indicate that the essential difference between one-stage anchor-based detectors and center-based anchorfree detectors
【论文阅读】Generalized Focal Loss的解读。交叉熵、Focal Loss、Quality Focal Loss、Distribution Focal Loss
magic_ll的博客
07-17 4499
最后，我们将QFL和DFL的公式总结为一个统一的视角，称为 Generalized Focal Loss(GFL)，作为FL的一个灵活的扩展，以促进未来进一步的推广和普遍的理解。专注于一组稀疏的困难样本的同时，对相应的类别进行连续的0∼1质量估计。举例子：5分类的任务，第1类别的分类标签onehot应为 [0,1,0,0,0]，当前训练时检测框和对应标签框的iou为0.65，则此时分类的标签不再使用 [0,1,0,0,0]，而是使用分类-iou联合表示：[0,0.65,0,0,0]。
focal loss改进
09-13
Focal Loss 是一种用于解决类别不平衡问题的目标函数，最初用于目标检测任务，后来被广泛应用于其他任务中。 传统的交叉熵损失函数在处理类别不平衡问题时可能会导致模型对于少数类别的样本学习效果较差。而 Focal Loss 通过引入一个调节因子，使得在训练过程中对于易分类的样本，即权重较大的样本，减小其梯度，从而将模型的关注点更集中在难分类的样本上。 Focal Loss 的公式可表示为： FL(pt) = -α(1 - pt)^γ * log(pt) 其中，pt 是模型预测为正样本的概率，α 是平衡因子，γ 是调节因子。当模型对某个样本的预测准确率高时，pt 接近1，此时调节因子 γ 的作用就体现出来了，它使得损失函数的值变小，减小了对该样本的关注程度。 通过引入 Focal Loss，在训练过程中可以更加有效地处理类别不平衡问题，使得模型更关注于难分类的样本，从而提高模型在少数类别上的性能。这种改进方法在很多任务中都取得了显著的效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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。

余额充值