目标检测——Focal loss 论文笔记

最新推荐文章于 2023-07-15 11:04:31 发布
最新推荐文章于 2023-07-15 11:04:31 发布
阅读量254 收藏
点赞数
分类专栏： 目标检测 论文笔记
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/s000da/article/details/89671525
版权
目标检测的Tricks | 【Trick3】IoU loss与focal loss（包含一些变体介绍）
Clichong
04-17 2982
如有错误，恳请指出。 这里介绍一下IoU loss与focal loss函数，之前的文章也有提及到，这里就不再过多的细说了。简单来说： IoU loss：用来计算pred box与ground true之间的差异，用来边界框损失函数的计算； focal loss：用来平衡正负样本不均衡的问题，由RetinaNet提出使用与One-Step目标检测算法上的一个技巧 关于这两部分的详细介绍可以见之前的博文：YOLOv4中的tricks概念总结——Bag of freebies 然后，后续有不少大佬对fo.
论文阅读笔记 | 三维目标检测——PartA2算法
Clichong
11-25 1787
PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。**在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。在现有的研究下，其实并没有完全的将3d标注框的信息完全利用上，这种前景点在标注框的分布信息是有利于提高3d检测网络的性能的。
论文(3) Focal Loss
GZHermit的博客
05-25 680
Focal Loss @(目标检测) Focal Loss是KaiMing大神提出来的，这篇文章的重点在于分析了one-stage网络的检测精度为什么会弱于two-stage的网络。当原理分析出来之后，其实公式的更改就很简单了。这篇paper也自建了一个网络RetinaNet[1][1]^{[1]}，在COCO数据集上的检测效果达到了40%的效果，提升效果非常明显。 这篇文章提出On...
Focal Loss(ICCV2017 best student paper)
木盏
05-05 2943
Focal Loss由FAIR提出。Kaiming包揽了ICCV2017的最佳论文（Mask R-CNN）和最佳学生论文（Focal Loss）。 按照国际惯例，给出Focal Loss的论文标题和链接： Focal Loss for Dense Object Detection http://openaccess.thecvf.com/content_ICCV_2017/papers/L...
Focal loss论文翻译
weixin_40471107的博客
10-26 692
用于深度目标检测的focal loss 0 .摘要 目前最受欢迎的目标探测器是基于RNN推广的two-stage方法，其中候选对象位置的稀疏集使用分类器。相反，对可能的目标位置进行有规律、密集采样的one-stage探测器有可能更快更简单，但准确率远远落后于two-stage探测器。我们调查此原因，发现深度探测器训练时发生的前背景分类的极度不平衡是主要原因。我们通过重塑标准交叉熵损失来解决，这样它就能降低分配给易分类样本的损失。我们的Focal Loss专注于在一组稀疏的困难样本上训练，并组织大量的易负样本
quality focal loss & distribute focal loss 详解（paper, 代码）
热门推荐
蓝羽飞鸟的博客
01-10 1万+
QFL， DFL
Focal Loss
pursuit_zhangyu的博客
06-03 886
RetinaNet https://blog.youkuaiyun.com/JNingWei/article/details/80038594 https://zhuanlan.zhihu.com/p/59910080 第二个上面写的focal loss比较好 交叉熵损失函数写的比较好的 https://blog.youkuaiyun.com/dcrmg/article/details/80010342?utm...
论文阅读笔记 | 三维目标检测——PointRCNN
Clichong
11-15 2173
在PointRCNN诞生之前，对于点云的物体检测基本上是利用鸟瞰图（多视图的投影）或者是量化成Voxel再进行3D卷积的方法实现，这样量化的操作其实相比直接利用点云输入是有部分信息的丢失，而且3D卷积的计算量也较大。基于这个出发点，PointRCNN是第一个比较work完全以点云数据为输入的3d检测算法。 以点云为输入就必然需要面对点云无序性等问题，但是也有其中的优势。相比于2d目标检测的ground truth是有可能重叠的，在一个3维空间中的object之间是彼此独立不可能重叠，也就是说对于点云数据的
focal loss论文笔记
水不在深有江的博客
10-13 853
作者提出，训练集中的类别不平衡是阻碍一阶段检测器达到与二阶段检测器相同效果的主要原因（因为在二阶段检测中，在前景和背景数量上通过启发式采样例如固定前景背景比例，online hard mining部分解决了这一问题），因此提出一个新的loss函数。 相反在一阶段中，尽管启发式采样也被应用，但是训练过程仍然被易被分类的背景examples所主导。这一问题可以通过bootstrapping或者har...
域适应目标检测：Strong-Weak论文笔记——Strong-Weak Distribution Alignment for Adaptive Object Detection
qq_50001789的博客
06-24 414
论文题目：《Strong-Weak Distribution Alignment for Adaptive Object Detection》 本文提出了一种基于强局部对齐和弱全局对齐的无监督域适应目标检测算法，主要的贡献就是设计了一种弱对齐模块，将对抗损失集中在全局相似的图像上，远离全局不相似的图像，并且针对特征图上局部的感受野区域设计了强局部对齐模块。
Focal loss简易版理解与实现
蓝羽飞鸟的博客
12-30 788
paper: Focal Loss for Dense Object Detection 主要是解决class imbalance two stage的detector，会有候选的region，而one stage的detector会存在大量的容易分类的背景，这些很容易分类的背景会造成一定程度的训练浪费。 focal loss解决class imbalance，同时降低容易分类的weight，使训练更集中到难分类的上面 把cross entropy的概率化简成pt 解决class imbalance
【深度学习 | 计算机视觉】Focal Loss原理及其实践（含源代码）
最新发布
wzk4869的博客
07-15 9153
【深度学习 | 计算机视觉】Focal Loss原理及其实践（含源代码）
Focal Loss 论文学习
calvinpaean的博客
11-27 532
Focal Loss for Dense Object DetectionAbstract1. Introduction2. Related workClass ImbalanceRobust Estimation3. Focal Loss3.1 Balanced Cross Entropy3.2 Focal Loss Definition 论文地址：https://arxiv.org/abs/1...
Focal Loss 论文笔记
Reborn的博客
10-09 1178
Focal Loss RetinaNet Detector
Loss——Focal Loss
jmu201521121021的博客
02-24 967
Loss——Focal Loss 一、简介 Focal Loss论文地址：https://arxiv.org/pdf/1708.02002.pdf Focal Loss是基于Cross Entropy修改的，是解决分类不均衡问题的一种方案。 reduces the relative loss for well-classified examples，(pt > :5), putting m...
检测模型改进—OHEM与Focal-Loss算法总结
m_buddy的博客
04-05 1万+
1. 概述 论文名称：Training Region-based Object Detectors with Online Hard Example Mining 代码地址：OHEM OHEM（online hard example miniing）算法的核心思想是： 根据输入样本的损失进行筛选，筛选出hard example，表示对分类和检测影响较大的样本，然后将筛选得到的这些样本应用在随机梯度...
Paper Reading-2-Focal Loss for Dense Object Detection 及tensorflow实现
东泰山的博客
01-19 991
论文链接: https://arxiv.org/pdf/1708.02002.pdf 1. 问题 在阅读这篇论文之前，我们先考虑一个问题。 我们现在打算用神经网络训练一个二分类模型，但是在训练的过程中往往会遇到这样的情况： （1）正样本和反样本的样本数不相同，甚至相差悬殊（实际上往往正样本数远远小于反样本数），如何解决样本不均衡的问题？ （2）在选择反样本（正样本）的过程中，很多样本都是...
[论文阅读] Focal Loss for Dense Object Detection
learning notes
10-27 2100
arxiv: https://arxiv.org/pdf/1708.02002.pdf 何凯明 homepage: http://kaiminghe.com/paper 写得很好，可以多读。1.解决的问题： 在稠密目标检测中，产生的目标候选区域中正负样本数量悬殊，大部分都是对 loss没有贡献的easy background example. 很容易进行分类。2.相关 paper: R-CNN
掌握RetinaNet模型：单阶段目标检测与Focal Loss解析
它的核心创新点是引入了Focal Loss损失函数，这一改变有效应对了在目标检测任务中，前景（positive）和背景（negative）样本之间存在的类别不平衡问题。传统的目标检测模型，在面对大量背景样本时，往往导致分类器...
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
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