Computer vision 视网膜网焦点丢失

有人能简单地解释一下视网膜内的焦点丢失是什么吗 从下面的2篇文章 用于目标检测的特征金字塔网络

---

密集目标检测的焦损

焦损可定义为（注：原始论文描述了二元分类的焦损，但这里我将其扩展到多类情况）：

其中

K

表示类的数量

yi

如果基本事实属于第i类，则等于1，否则等于0

pi

是第i类的预测概率<代码>γ∈(0,+∞)是聚焦参数；

αi∈[0,1]

是第i类的一个加权参数。损失类似于分类交叉熵，如果

γ=0

和

αi=1

，它们是等价的。那么，这两个附加参数的用途是什么

正如最初的论文所指出的，类别不平衡是一个非常有问题的问题，它限制了检测器在实际中的性能。这是因为图像中的大多数位置都是容易被否定的（这意味着它们可以很容易地被检测器归类为背景）并且没有提供有用的学习信号；更糟糕的是，由于它们占输入的很大一部分，它们可以压倒损耗和计算的梯度，并导致退化模型。为了解决这个问题，聚焦损耗引入聚焦参数

γ

，以减轻分配给易于分类示例的损耗。这随着

γ

值的增加，effect增加，使网络更加关注硬示例

平衡参数

α

也有助于解决类别不平衡问题。它可以通过反向类别频率（或作为超参数）进行设置，以便分配给背景类别示例的损失可以向下加权

请注意，由于这两个参数相互作用，因此它们应一起选择。一般来说，随着

γ

的增加，α应略微减小11

---

这是一篇更详细地解释视网膜网的帖子：

有人请帮忙有人请帮忙看这篇中间帖子：“基本真相”在这里是什么意思？这里是基本真相的定义，回复表明基本真相等同于“标签”。不过，我不确定这里的情况是否如此。