非对称损失-非对称损失的多标签分类。
最编程
2024-04-30 08:31:10
...
为了方便,可以设置 γ+ = 0,这样L+就是正常的交叉熵损失。而L-可以通过阈值m减少容易负样本的loss贡献。其中, γ− > γ+。
最终,ASL loss不仅具备focal loss进行正负样本平衡的作用,还具备减少容易负样本loss贡献的效果。
网络结构:
网络结构这里采用了TResNet,也是阿里内部发明的网络结构。在相同推理速度,训练速度的条件下,具有比EfficientNet更高的精度。
TResNet系列一共有三种型号:TResNet-M,TResNet-L和TResNet-XL,它们的区别仅在深度和通道数量不同。
实验结果:
总结:
- ASL loss,一种基于focal loss改进的非对称loss,不仅具备focal loss进行正负样本平衡的作用,还具备减少容易负样本loss贡献的效果。
- 本文验证ASL loss的落脚点是多标签分类,但是,ASL loss不仅可以应用于多标签分类,还可以应用于单标签分类任务,物体检测任务。对缓解长尾(long-tail)数据分布具有很好的效果。