Seesaw Loss：目标检测长尾分布loss

最新推荐文章于 2024-06-11 10:03:14 发布

Rainylt

最新推荐文章于 2024-06-11 10:03:14 发布

阅读量1.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：学习笔记文章标签：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/lt1103725556/article/details/117784723

参考Seesaw Loss：一种面向长尾目标检测的平衡损失函数 - 王佳琦的文章 - 知乎
https://zhuanlan.zhihu.com/p/339126633

上面文章讲过的这里就不赘述了，主要解释一些东西。
Motivation中，“来自头部类别的样本会对尾部类别施加过量的负样本梯度，淹没了来自尾部类别自身的正样本梯度”
要理解这句话，得先理解loss反向传播的过程

为啥头部类别还能对尾部类别施加梯度呢？

以全连接为例
在这里插入图片描述
设1为头部类别。现在就是头部类别的预测情况，这个样本的gt为头部类别，Loss为交叉熵损失，所以为-log(0.7)
同时交叉熵损失函数对预测结果求偏导：

$ddxloss=1/x\frac{\mathrm{d} }{\mathrm{d} x}loss=1/x$

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。