文件名称:ASL:官方Pytorch实施
文件大小:978KB
文件格式:ZIP
更新时间:2024-05-12 10:55:15
detection classification multi-label-classification loss Python
多标签分类的不对称损失 | 官方PyTorch实施 伊曼纽尔·本·巴鲁克(Emanuel Ben-Baruch),塔尔·里德尼克(Tal Ridnik),纳达夫·扎米尔(Nadav Zamir),阿萨夫·诺伊(Asaf Noy),伊塔玛·弗里德曼(Itamar Friedman),马坦·普罗特(Matan Protter),利希·泽尔尼克·庄园(Lihi Zelnik-Manor) 阿里巴巴集团DAMO学院 抽象的 在典型的多标签设置中,一张图片平均包含很少的正标签,而包含许多负标签。 这种正负不平衡主导了优化过程,并可能导致在训练过程中过分强调正标签的梯度,从而导致准确性下降。 在本文中,我们介绍了一种新颖的不对称损耗(“ ASL”),它在正负样品上的运行方式不同。 损失使动态降低权重和硬阈值容易的阴性样品,同时还丢弃了可能贴错标签的样品。 我们演示了ASL如何平衡不同样本的概率
【文件预览】:
ASL-main
----infer.py(3KB)
----validate.py(6KB)
----requirements.txt(110B)
----src()
--------loss_functions()
--------models()
--------helper_functions()
----LICENSE(1KB)
----README.md(7KB)
----MODEL_ZOO.md(1KB)
----pics()
--------example_inference.jpeg(177KB)
--------loss_graph.png(374KB)
--------detection.png(16KB)
--------open_images.png(24KB)
--------example_inference_open_images.jpeg(199KB)
--------backbones.png(51KB)
--------herbarium.png(28KB)
--------000000000885.jpg(109KB)
----train.py(7KB)