tensorflow之focal loss 实现

hr_net

7790人浏览 · 2019-04-19 11:38:04

hr_net · 2019-04-19 11:38:04 发布

何凯明大佬的Focal Loss对交叉熵进行改进，主要解决分类问题中类别不均衡导致的模型训偏问题。

在计算机视觉（CV）任务里常常会碰到类别不平衡的问题，例如：
1. 图片分类任务，有的类别图片多，有的类别图片少
2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。训练时正负anchor的比例很悬殊.
3. 分割任务，背景像素数量通常远大于前景像素。
从实质上来讲，它们可以归类成分类问题中的类别不平衡问题：对图片/anchor/像素的分类。

1. 交叉熵

2. focal loss

对于二分类，alpha取值0.25, gamma取值2效果比较好，可以根据自身任务调整参数：

tensorflow实现

GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

SCI论文快速写作指南：沁言学术实用方法

在SCI论文写作领域，尤其针对CSDN社区内的计算机科学、AI和算法优化研究者，高效方法的应用已成为提升投稿成功率的关键。AI工具的整合能显著优化从检索到润色的流程。本文基于公开调研数据和用户案例，剖析SCI写作难点，并以沁言学术为例，探讨实用方法与技术机制。重点在于算法深度与效率insights，旨在为CSDN用户提供可操作的指导，帮助科研人员加速SCI论文产出。

GitCode 开源社区

仓颉共学创作营正式启动！邀您共探新兴技术，解锁仓颉创作红利

GitCode 开源社区

高校科研团队文献协作工具推荐

在高校科研团队中，尤其针对CSDN社区内的计算机科学、AI和大数据领域，文献协作是推动项目进展的核心。传统方法往往因信息孤岛和版本冲突而低效，AI工具的引入能优化这一流程。本文基于公开调研数据和用户案例，剖析协作痛点，并以沁言学术为例，探讨其功能机制与应用策略。重点在于技术深度与团队insights，旨在为CSDN用户提供可借鉴的路径，帮助科研团队提升文献协作效率。