RetinaNet深入理解（损失函数详解） - CSDN文库

2星需积分: 50 185 浏览量更新于2023-05-20 6 收藏 375KB DOCX 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

RetinaNet（损失函数部分）

2018 年 07 月 22 日 17:41:38很美味的小猪猪阅读数：807

主要是由  结构，是  的检测算法。



  !!"

#  的算法主要可以分为两大类：two-stage detector 和

one-stage detector。前者是指类似 $%，$% 这样需要

  的检测算法，这类算法可以达到很高的准确率，但是速度较

慢。虽然可以通过减少  的数量或降低输入图像的分辨率等方式达到

提速，但是速度并没有质的提升。后者是指类似 &'('，))* 这样不需要

 ，直接回归的检测算法，这类算法速度很快，但是准确率不

如前者。作者提出 focal loss 的出发点也是希望 one-stage detector 可

以达到 two-stage detector 的准确率，同时不影响原有的速度。

既然有了出发点，那么就要找 one-stage detector 的准确率不如 two-

stage detector 的原因，作者认为原因是：样本的类别不均衡导致的。我们

知道在 #  领域，一张图像可能生成成千上万的  

 ，但是其中只有很少一部分是包含 # 的，这就带来了类别不均

衡。那么类别不均衡会带来什么后果呢？引用原文讲的两个后果：(1)

training is inecient as most locations are easy negatives

that contribute no useful learning signal; (2) en masse, the

easy negatives can overwhelm training and lead to

degenerate models.+什么意思呢？负样本数量太大，占总的 loss 的大部

分，而且多是容易分类的，因此使得模型的优化方向并不是我们所希望的那样。

其实先前也有一些算法来处理类别不均衡的问题，比如 ',-.（ 

/00  ），',-. 的主要思想可以用原文的一句话概括：1',-.

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余8页未读，立即下载

invisible_2018

粉丝: 27
资源: 12

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈