检测模型改进—OHEM与Focal-Loss算法总结

最新推荐文章于 2025-06-11 16:19:39 发布
转载 最新推荐文章于 2025-06-11 16:19:39 发布 · 262 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/m_buddy/article/details/89042338
文章标签：

#计算机视觉 #深度学习

https://blog.youkuaiyun.com/m_buddy/article/details/8904233
OHEM Focal-Loss我觉得写的很好，很容易理解

Focal Loss改进版 GFocal Loss
jacke121的专栏
10-07 9036
https://github.com/implus/GFocal 最小的模型，247m Model Multi-scale training AP (minival) AP (test-dev) FPS Link GFL_R_50_FPN_1x No 40.2 40.3 19.4 Google GFL_R_50_FPN_2x Yes 42.8 43.1 19.4 Google GFL_R_101_...
【YOLOv11工业级实战】26. Focal Loss+OHEM实战：解决PCB缺陷检测极难样本问题！1000:1比例下召回率提升35%
最新发布
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
08-31 829
摘要：本文针对PCB缺陷检测中“极难样本（如0.2mm针孔、模糊微短路）漏检”的核心痛点，提出Focal Loss与在线难样本挖掘（OHEM）结合的工业级方案。传统Focal Loss在1000:1极端样本不平衡下，对极难样本的聚焦能力不足，导致针孔类缺陷召回率仅58.7%；而Focal Loss+OHEM通过“动态筛选前20%高损失样本”强化学习，在PKU-Market-PCB数据集上实现针孔召回率提升至79.2%，整体缺陷召回率从82.3%升至85.1%，同时收敛速度加快35%。
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 3068
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
focalloss pytorch
weixin_38241876的博客
11-24 711
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.
目标检测无痛涨点：大白话 Generalized Focal Loss
我爱计算机视觉
07-10 5041
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...
目标检测学习笔记——OHEM和focal loss
phily123的博客
12-01 2057
OHEM(online hard example mining)和focal loss可以解决困难样本和简单样本不平衡的问题 OHEM通过选择损失较大的候选ROI解决困难样本和简单样本不平衡的问题，原论文是用fast rcnn做实验的。 OHEM论文解读 focal loss和ohem 关于目标检测不平衡问题的一些工作 ...
目标检测中的样本不平衡处理方法——OHEM, Focal Loss, GHM, PISA
u014630987的博客
07-20 7879
1. 前言 目前。计算机视觉中的性能最好的目标检测方法主要分为两种: one-stage 和two-stage 方法。two-stage方法分为两步，第一步为候选区域生成阶段(Proposal stage),通过如Selective Search、EdgeBoxes等方法可以生成数量相对较小候选目标检测框；第二步为分类与回归阶段，对第一阶段生成的 Candiate Proposal 进行分类和位置...
OHEM,Focal loss,GHM loss二分类pytorch代码实现(减轻难易样本不均衡问题)
weixin_42388228的博客
10-16 5527
https://mp.weixin.qq.com/s/iOAICJege2b0pCVxPkvNiA 综述：解决目标检测中的样本不均衡问题 该综述主要介绍了OHEM,Focal loss,GHM loss;由于我这的二分类数据集不存在正负样本不均衡的问题，所以着重看了处理难易样本不均衡(正常情况下，容易的样本较多，困难的样本较少)；由于我只是分类问题，所以写了各种分类的loss，且网络的最后一层为softmax，所以网络输出的pred是softmax层前的logits经过softmax后的结果，普通的交叉熵损
Focal Loss介绍
chase
06-11 2575
Focal Loss介绍
图像 检测 - RetinaNet: Focal Loss for Dense Object Detection (arXiv 2018)
77wpa的博客
08-06 1264
迄今为止，最高精度的目标检测器是基于R-CNN推广的两阶段方法，其中将分类器应用于候选目标位置的稀疏集。相比之下，对可能的目标位置进行定期、密集采样的单级检测器有可能更快、更简单，但迄今为止的精度落后于两级检测器。在本文中，我们调查了为什么会出现这种情况。我们发现，在密集检测器的训练过程中遇到的极端前景-背景类不平衡是主要原因。我们建议通过重塑标准交叉熵损失来解决这种类别不平衡问题，使其对分配给分类良好的示例的损失进行加权。
快速理解Focal Loss及其改进
qq_37937847的博客
12-03 2524
快速理解Focal Loss及其改进 https://zhuanlan.zhihu.com/p/80594704
从原理到代码：深度解析YOLOv8的QualityFocalLoss改进方案
shrgegrb的博客
06-11 1265
本文探讨了在YOLOv8目标检测模型中应用Quality Focal Loss（QFL）的改进方法。QFL通过将分类得分与定位质量（IoU）联合建模，解决了传统Focal Loss在边界框质量预测上的不足。文章详细解析了QFL原理，对比了其与Focal Loss的差异，并提供了YOLOv8中集成QFL的具体实现代码。实验表明，在COCO数据集上，QFL使mAP提升约2.5%，同时保持计算效率。文中还提出了动态调整参数β等高级优化策略，并展望了QFL与其他技术结合的未来发展方向。
focal Loss 损失函数
weixin_43570470的博客
03-16 1785
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和变体
qq_37464479的博客
12-28 1038
Focal Loss是一种新的深度学习损失函数，用于解决类别不平衡问题，可以改善模型的分类性能。它是一种类似于交叉熵损失函数的损失函数，但是它比交叉熵损失函数具有更强的分类能力，可以更好地处理类别不平衡的问题。多任务Focal Loss：在Focal Loss的基础上，引入了多任务学习，以更好地处理多个任务之间的不平衡。改进的Focal Loss：在Focal Loss的基础上，引入了额外的参数。动态Focal Loss：在Focal Loss的基础上，引入了动态权重。，以更好地处理不同类别之间的不平衡。
[pytorch] 图像识别之ohem loss (+mixup/cutmix)
MachineLP的专栏
02-07 1749
本人kaggle分享链接：https://www.kaggle.com/c/bengaliai-cv19/discussion/128637 def ohem_loss( rate, cls_pred, cls_target ): batch_size = cls_pred.size(0) ohem_cls_loss = F.cross_entropy(cls_pred...
样本不均衡
cengjing12的博客
10-18 1827
这里主要介绍CV中的样本不均衡问题（部分方法也适用于ML中）。当前主流的物体检测算法，如Faster RCNN和SSD等，都是将物体检测当做分类问题来考虑，即先使用先验框或者RPN等生成感兴趣的区域，再对该区域进行分类与回归位置。这种基于分类思想的物体检测算法存在样本不均衡的问题，因而会降低模型的训练效率与检测精度。 下面首先分析样本不均衡带来的问题，随后会讲解两种经典的缓解不均衡问题的方法。 1、不均衡问题分析 在当前的物体检测算法中，由于检测算法各不相同，以及数据集之间的差异，可能会存在正负样本、难易样
Ohem Cross Entropy Loss 详解
qq_38412266的博客
12-15 637
OhemCrossEntropyLoss 详解。
OHEM loss 源代码
pangxing6491的博客
11-22 496
ohem loss
图像超分辨与RetinaNet目标检测技术深度解析
**OHEM（Online Hard Example Mining）**：在线难例挖掘技术，用来改进训练过程中的样本选择策略，提升分类器的泛化能力。 ### 综述与PPT文件内容概要 【压缩包子文件的文件名称列表】中包含的两个文件为： - **...
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