Focal Loss for Dense Object Detection Intro 这又是一篇与何凯明大神有关的作品，文章主要解决了one stage网络识别率普遍低于two stage网络的问题，其指出其根本原因是样本类别不均衡导致，一针见血，通过改变传统的loss CE 变为focal loss，瞬间提升了one stage网络的准确率。与此同时，为了测试该loss对网络改进的影响，文章还 ...
2019-03-26 20:53 0 1481 推荐指数：
论文原址：https://arxiv.org/abs/1708.02002 github代码：https://github.com/fizyr/keras-retinanet 摘要 目前，具有较高准确率的检测器基于双阶段的目标检测算法实现，单阶段通过对可能存在的位置进行 ...
转自：https://www.jianshu.com/p/db4ccd194109 ...
地址：https://arxiv.org/abs/2006.04388 github：https://github.com/implus/GFocal 讲解：https://zhuanlan.zh ...
and Distributed Bounding Boxes for Dense Object Detection ...
一、创新点和解决的问题 创新点 设计Region Proposal Networks【RPN】，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Sear ...
本质上讲，Focal Loss 就是一个解决分类问题中类别不平衡、分类难度差异的一个 loss，总之这个工作一片好评就是了。 看到这个 loss，开始感觉很神奇，感觉大有用途。因为在 NLP 中，也存在大量的类别不平衡的任务。最经典的就是序列标注任务中类别是严重不平衡的，比如在命名实体识别中 ...
1. 总述 Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。 2. 损失函数形式 Focal loss是在交叉熵损失函数基础上进行的修改，首先回顾二分类交叉上损失 ...
CapsuleNet 前言 找了很多资料，终于把整个流程搞懂了，其实要懂这个运算并不难，难的对我来说是怎么用代码实现，也找了github上的一些代码来看，对我来说都有点冗长，变量分布太远导致我脑袋炸了，所以我就在B站找视频看看有没有代码讲解，算是不负苦心吧，终于把实现部分解决了。 不写论文 ...
