一、论文链接
https://arxiv.org/pdf/2008.13367.pdf
二、公式理解
简单说明下，这里的IACS是IoU-aware classification score的缩写。VFL原文里面这个target socre也就是q，是一个和IOU有关的软标签。对于挑选出的正样本（也就是和GT相交的样本）的分类标签分数不再是0、1两个极端，而是与IOU有关的标签q，这样的好处在于：比如IOU很大，标签就是0.9，IOU很小，标签就是0.1，直觉上也更有道理。
当q>0时，VFL对于正样本没有超参，也就是没有任何衰减；而当q=0时，VFL对于负样本是有超参项的，gama会减少负样本贡献，alpha是为了防止过度抑制，总体来说是会减少负样本的贡献的。这就是和focal loss的不同之处，focal loss两项都有超参，正样本的质量也是会被降低的。
代码
下面代码抄自PaddleDetection套件：
def varifocal_loss(pred, target, alpha=0.75, gamma=2.0, iou_weighted=True, use_sigmoid=True): """`Varifocal Loss <https://arxiv.org/abs/2008.13367>`_ Args: pred (Tensor): The prediction with shape (N, C), C is the number of classes target (Tensor): The learning target of the iou-aware classification score with shape (N, C), C is the number of classes. alpha (float, optional): A balance factor for the negative part of Varifocal Loss, which is different from the alpha of Focal Loss. Defaults to 0.75. gamma (float, optional): The gamma for calculating the modulating factor. Defaults to 2.0. iou_weighted (bool, optional): Whether to weight the loss of the positive example with the iou target. Defaults to True. """ # pred and target should be of the same size assert pred.shape == target.shape if use_sigmoid: pred_new = F.sigmoid(pred) else: pred_new = pred target = target.cast(pred.dtype) if iou_weighted: focal_weight = target * (target > 0.0).cast('float32') + \ alpha * (pred_new - target).abs().pow(gamma) * \ (target <= 0.0).cast('float32') else: focal_weight = (target > 0.0).cast('float32') + \ alpha * (pred_new - target).abs().pow(gamma) * \ (target <= 0.0).cast('float32') if use_sigmoid: loss = F.binary_cross_entropy_with_logits( pred, target, reduction='none') * focal_weight else: loss = F.binary_cross_entropy( pred, target, reduction='none') * focal_weight loss = loss.sum(axis=1) return loss 和公式有一点点不同的地方是q=0时，VFL=alpha * (pred_new - target).abs().pow(gamma)，猜测target实际可能并不一定等于0，当然也兼容=0的情况。
今天的文章 varifocal loss（VFL）介绍分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ji-chu/82826.html