💡💡💡Улучшение этой статьи: SlideLoss,Решите проблему дисбаланса между простыми и сложными образцами.,и использовать информацию об эффективных рецептивных полях для проектированияAnchor。

Персональный тест SlideLoss| позволяет получить больше очков в нескольких наборах данных, а улучшенная производительность для небольших целей и препятствий также может помочь увеличить количество очков.

1. Введение в SlideLoss

​

бумага：https://arxiv.org/pdf/2208.02019.pdf

​

Рисунок 4: Мы предлагаем новую потерю, называемую «скользящей потерей», которая адаптивно изучает пороговый параметр положительной выборки и пороговый параметр отрицательной выборки µ. Установка более высоких весов рядом с µ увеличивает относительную потерю примеров, которые трудно классифицировать, тем самым сосредотачивая больше внимания на ошибочных примерах, которые трудно классифицировать.

Основная цель функции Slide loss — заставить модель уделять больше внимания сложным образцам. Согласно результатам пятой строки таблицы, функция Slide улучшена в основном на средних и сложных задачах.

2. Slideloss присоединяется к YOLOV8

2.1 Измените ultralytics/utils/loss.py

Присоединяйтесь к Slideloss

Основной код:

import math


class SlideLoss(nn.Module):
    def __init__(self, loss_fcn):
        super(SlideLoss, self).__init__()
        self.loss_fcn = loss_fcn
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'  # required to apply SL to each element

    def forward(self, pred, true, auto_iou=0.5):
        loss = self.loss_fcn(pred, true)
        if auto_iou < 0.2:
            auto_iou = 0.2
        b1 = true <= auto_iou - 0.1
        a1 = 1.0
        b2 = (true > (auto_iou - 0.1)) & (true < auto_iou)
        a2 = math.exp(1.0 - auto_iou)
        b3 = true >= auto_iou
        a3 = torch.exp(-(true - 1.0))
        modulating_weight = a1 * b1 + a2 * b2 + a3 * b3
        loss *= modulating_weight
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

ЯсуществоватьучаствоватьНа третьем этапе специального тренировочного лагеря Tencent Technology Creation 2023 года будет проводиться конкурс сочинений. Соберите команду, чтобы выиграть приз!