已知由于只有几个候选位置实际包含对象,因此一级网络遭受类不平衡的困扰。 该类不平衡使得训练在图像的大部分部分中无效。 RetinaNet 通过引入**焦距损耗**(**FL**)来解决类别不平衡问题,该焦距微调损耗**交叉熵**(**CE**)到 专注于困难的检测问题。 损耗 CE 的微调是通过对损耗 CE 应用检测概率(*pt*)的调制因子(`g`)来完成的,如下所示:
已知由于只有几个候选位置实际包含对象,因此一级网络遭受类不平衡的困扰。 该类不平衡使得训练在图像的大部分部分中无效。 RetinaNet 通过引入**焦距损耗**(**FL**)来解决类别不平衡问题,该焦距微调损耗**交叉熵**(**CE**)到 专注于困难的检测问题。 损耗 CE 的微调是通过对损耗 CE 应用检测概率(`pt`)的调制因子(`g`)来完成的,如下所示: