\mathcal L_{\text{Focal E-IoU}} ^* = -(1- \text{IoU})^\gamma \log(\text{IoU}) \text{EIoU} \tag{14} 4. 总结 这篇文章的提出了3个损失函数,第一个EIoU从理论上解决了CIoU的w和h不能同时放大或者缩小的问题,但是部分有用户表明EIoU在部分数据集上的效果并不如CIoU。 个人认为这篇文章最大...
论文:https://arxiv.org/abs/2101.08158 在目标检测中,边界框回归(BBR)是确定对象定位性能的关键步骤。但是,我们发现,大多数先前的BBR损失函数都有两个主要缺点: (i)基于ln-norm和基于IOU的损失函数都无法有效地描述BBR的目标,从而导致收敛缓慢且回归结果不准确。 (ii)大多数损失函数都忽略了BBR中的不平衡问题,...
损失函数之Focal-EIoU Loss: 本文是复现的是CVPR2020的一篇关于边界框损失函数文章:Focal and Efficient IOU Loss for Accurate Bounding Box Regression。 在Focal-EIoU Loss这篇论文中,作者提出CIoU中的相对比例存在若干问题,因此提出了更为直接的使用边长作为惩罚项。 此外为了解决低质量样本造成的损失值剧烈震荡的问...
Robust Estimation: 人们对设计鲁棒的损失函数(例如Huber loss[13])非常感兴趣,该函数通过降低具有较大错误的样本(困难样本)的损失的权重来减少异常值的贡献。相比之下,我们的重点损失并不是处理异常值,而是通过减少inliers(简单样本)的权重比来解决阶级不平衡,这样即使inliers的数量很大,它们对总损失的贡献也很小。换...
二、Focaler-IoU原理 2.1 Focaler-IoU的基本原理 Focaler-IoU是一种在对象检测中用于边界框回归的损失函数。这种方法的基本原理可以从以下几个方面来理解: 1. 专注于不同的回归样本:Focaler-IoU 通过对不同的回归样本进行聚焦,来提高在不同检测任务中的探测器性能。这是通过线性区间映射来重构IoU损失,实现对不同...
在解决以上问题的同时,论文产出了两个成果: 新的损失函数focal loss,该函数能够动态地调整交叉熵大小。当类别的置信度越大,权重就逐渐减少,最后变为0。反之,置信度低的类别则得到大的权重 设计了一个简单的one-stage检测器RetinaNet来演示focal loss的有效性。该网络包含高效的特征金字塔和特别的anchor设定,...
Focal Loss 是为了解决一阶段检测算法中极度类别不平衡的情况(比如正负样本比 1:1000)所设计的 loss 函数,它是对标准的交叉熵函数的修改。 首先,标准的交叉熵函数公式如下: C E ( p , y ) = C E ( p t ) = − l o g ( p t ) CE(p,y)=CE(p_t)=-log(p_t) CE(p,y)=CE(pt)=...
这种损失再分配技术在类别平衡分布下效果很好,但不足以处理长尾情况下前景类别间的不平衡问题。为了解决这个问题,作者从两阶段中现有的解决方案(如EQLv2)开始,将它们调整在一阶段检测器中一起处理Focal Loss。作者发现这些解决方案与它们在两阶段检测器上的应用相比,只带来了微小的改进(见表1)。然后,作者认为,简单...
IOU-loss 算法作用:Iou的就是交并比,预测框和真实框相交区域面积和合并区域面积的比值,计算公式如下,Iou作为损失函数的时候只要将其对数值输出就好了。 算法代码: def Iou_loss(preds, bbox, eps=1e-6, reduction='mean'): ''' preds:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] ...
Focal Loss 是为了解决一阶段检测算法中极度类别不平衡的情况(比如正负样本比 1:1000)所设计的 loss 函数,它是对标准的交叉熵函数的修改。 首先,标准的交叉熵函数公式如下: CE(p,y)=CE(pt)=−log(pt) 其中y 表示样本的真实标签,这里用二分类举例,所以 y 的取值就是 1 或者 -1,而 p 是模型预测的概率...