擅长:python、mysql、java
<p>对象检测API丢失的定义如下:<a href="https://github.com/tensorflow/models/blob/master/research/object_detection/core/losses.py" rel="nofollow noreferrer">https://github.com/tensorflow/models/blob/master/research/object_detection/core/losses.py</a></p>
<p>具体而言,已实施以下损失类别:</p>
<p><strong>分类损失:</strong></p>
<ol>
<li>加权SigmoidClassificationLoss</li>
<li>乙状体局部分类丢失</li>
<li>加权SoftMaxClassificationLoss</li>
<li>加权SoftMaxClassifications损失</li>
<li>自举SigmoidClassificationLoss</li>
</ol>
<p><strong>本地化损失:</strong></p>
<ol>
<li>加权局部损失</li>
<li>加权平滑1定位损失</li>
<li>失重</li>
</ol>
<p>权重参数用于平衡锚(先前的框),除了硬负挖掘之外,其大小为<code>[batch_size, num_anchors]</code>。或者,<a href="https://arxiv.org/pdf/1708.02002.pdf" rel="nofollow noreferrer">focal loss</a>向下权衡分类良好的示例,并将重点放在硬示例上。在</p>
<p>主类不平衡是由于更多的负示例(没有感兴趣对象的边界框)而不是很少的正面示例(带有对象类的边界框)。这似乎就是为什么正例子中的类不平衡(即正类标签的不均匀分布)没有作为对象检测损失的一部分实现的原因。在</p>