عنوان: از دست دادن کانونی برای تشخیص اجسام متراکم
آشکارسازهای شی با بالاترین دقت تا به امروز مبتنی بر رویکرد دو مرحلهای است که توسط R-CNN رایج شده است، جایی که یک طبقهبندی برای مجموعهای از مکانهای شی کاندید اعمال میشود. در مقابل، آشکارسازهای یک مرحلهای که بر روی نمونهبرداری منظم و متراکم از مکانهای شی ممکن اعمال میشوند، پتانسیل سریعتر و سادهتر بودن را دارند، اما تا کنون دقت آشکارسازهای دو مرحلهای را دنبال کردهاند. در این مقاله به بررسی چرایی این موضوع می پردازیم. ما متوجه شدیم که عدم تعادل شدید کلاس پیش زمینه-پس زمینه که در طول آموزش آشکارسازهای متراکم با آن مواجه می شود، علت اصلی است. ما پیشنهاد میکنیم این عدم تعادل کلاس را با تغییر شکل افت آنتروپی متقاطع به گونهای که ضرر تخصیص یافته به نمونههای طبقهبندی شده را کاهش دهد، برطرف کنیم. از دست دادن کانونی جدید ما، تمرین را بر روی مجموعهای از نمونههای سخت متمرکز میکند و از غلبه کردن تعداد زیادی نگاتیو آسان به آشکارساز در طول تمرین جلوگیری میکند. برای ارزیابی اثربخشی از دست دادن، ما یک آشکارساز متراکم ساده را که RetinaNet می نامیم طراحی و آموزش می دهیم. نتایج ما نشان میدهد که وقتی RetinaNet با از دست دادن کانونی آموزش داده میشود، میتواند با سرعت آشکارسازهای یک مرحلهای قبلی مطابقت داشته باشد در حالی که از دقت تمام آشکارسازهای دو مرحلهای پیشرفته پیشی میگیرد.
اجرای (غیر رسمی) از دست دادن کانونی به حالت چند کلاسه تعمیم داده شده است.
این اساساً افزایشی برای از دست دادن آنتروپی متقابل است و برای کارهای طبقه بندی زمانی که عدم تعادل کلاسی بزرگ وجود دارد مفید است. این اثر کم وزنی مثال های آسان است.
مزایا
FocalLoss یک nn.Module است و بسیار شبیه nn.CrossEntropyLoss() یعنی.
از پارامترهای کاهش و ignore_index پشتیبانی می کند و
قادر به کار با ورودی های 2 بعدی شکل (N, C) و همچنین ورودی های K بعدی شکل (N, C, d1, d2, …, dK) است.
مثال
focal_loss = FocalLoss(alpha, gamma) ... inp, targets = batch out = model(inp) loss = focal_loss(out, targets)
بارگیری از طریق torch.hub
این مخزن از وارد کردن ماژول ها از طریق torch.hub پشتیبانی می کند. FocalLoss را می توان به راحتی به کد شما وارد کرد، به عنوان مثال:
focal_loss = torch.hub.load( 'adeelh/pytorch-multi-class-focal-loss', model='FocalLoss', alpha=torch.tensor([.75, .25]), gamma=2, reduction='mean', force_reload=False ) x, y = torch.randn(10, 2), (torch.rand(10) > .5).long() loss = focal_loss(x, y)
یا
focal_loss = torch.hub.load( 'adeelh/pytorch-multi-class-focal-loss', model='focal_loss', alpha=[.75, .25], gamma=2, reduction='mean', device='cpu', dtype=torch.float32, force_reload=False ) x, y = torch.randn(10, 2), (torch.rand(10) > .5).long() loss = focal_loss(x, y)
این پروژه شامل فایل مقاله اصلی و پیاده سازی پایتون می باشد.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.