weilaicxy22的博客

1、Heatmap的使用以及作用  在heatmap被提出前，在关键点检测任务上，使用的方法是关键点坐标回归，具体实现是将网络全连接层之前的最后一层输出的一维向量，假设现在有15个关键点，那么，这个一维向量的长度就是15*（x, y, s）共45个向量，再通过全连接层进行关键点的分类，我们知道单纯这个一维向量难以将关键点在空间中的信息进行捕捉。所以heatmap应运而生。  heatmap的具体实现是通过如下方式：（1） 根据我们打的关键点标签生成heatmap图，常用的方法是使用二维高斯分布，简单说就

  在Yolo等目标检测框架中，很容易会出现正样本中难分样本以及易分样本不均衡的情况，focal loss正是为了解决这个问题而提出来的。  提高focal loss就不的不提交叉熵损失函数，交叉熵函数定义如下：  式中，y可以取+1以及-1，就是预测正确还是错误，当y取1时，这时候我们看p的值，由于前面有一个负号，很显然当p为0.9的时候的损失函数的值显然小于p为0.6时候的损失函数的值。这是，我们进行一下置换：  那么上式，就会合并成一个式子：  这时候，我们考虑本文一开始的问题，就是正