一种用于构建多尺度对象检测网络的损失函数的方法
Dong Wang1, Hong Zhu1, Yue Zhao1
1School of Automation and Information Engineering, Xi'an University of Technology, Xi'an 710048, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究引入了一种新的预测概率损失 (PP-Loss),以改善对象检测. 通过考虑标签大小,PP-Loss提高了训练准确度和小物体检测速度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 对象检测网络通常使用多级金字塔特征来识别不同尺寸的对象.
- 浅的特征通常检测小物体,而深的特征检测大物体.
- 当前损失函数对待所有对象样本均等,无论它们的大小和相应的特征层,可能会阻碍性能.
研究的目的:
- 提出一个新的损失函数,预测概率损失 (PP-Loss),以提高对象检测性能.
- 解决现有的损失函数在考虑对象大小和特征层表示之间的关系方面的局限性.
- 提高对象检测网络的准确性和融合速度.
主要方法:
- 开发了一个预测概率损失 (PP-Loss) 函数,该函数根据标签大小统计确定对象的每个特征层的预测概率.
- 将PP-Loss集成到培训过程中以调整样本重,指导网络学习.
- 在各种网络上验证了该方法,主要使用YOLO (You Only Look Once) 作为核心架构.
主要成果:
- 实验结果表明,在网络培训期间,融合速度得到了改善.
- 拟议的PP-Loss导致对象检测任务的准确性提高.
- 在测试的不同网络架构中观察到改善.
结论:
- 新的PP-Loss有效地解决了对象检测中的传统损失函数的局限性.
- 通过结合基于标签大小的概率,PP-Loss优化了功能层的利用,以改进检测.
- 该方法为增强基于深度学习的对象检测系统的性能提供了一个有前途的方法.
