Публикации по теме 'focal-loss'
Функции потерь в машинном обучении
Функции потерь — это математические функции, используемые в машинном обучении для поиска разницы между прогнозируемым значением и фактическим значением . Более высокие потери в модели означают, что модель не подходит.
Этот блог поможет вам понять все основные функции потерь и задачи, в которых они используются.
Функции потерь и функции затрат
Существует небольшая разница между функциями потерь и функциями затрат. Функции потерь показывают разницу между прогнозируемым и..
Лучшее из ICCV 2017
Эксперты по компьютерному зрению из академических кругов и промышленности собрались в Венеции в конце октября на 16-ю Международную конференцию по компьютерному зрению (ICCV 2017). В этом году я посетил ICCV от имени исследовательской группы Onfido. Далее я поделюсь своим опытом участия в конференции, а также сделаю обзор лучших работ этой конференции; а именно Mask R-CNN и Focal Loss.
Начиная с 1987 года Международная конференция по компьютерному зрению (ICCV) зарекомендовала себя..
Функция потерь, подходящая для данных с несбалансированным классом: «Focal Loss»
Глубокое обучение с несбалансированными данными о классе
Классовый дисбаланс:
В машинном обучении мы иногда имеем дело с очень хорошими данными, такими как модные данные MNIST или данные CIFAR-10, где примеры каждого класса в наборе данных хорошо сбалансированы. Что произойдет, если в задаче классификации распределение примеров по известным классам смещено или искажено? Такие проблемы с серьезным или небольшим смещением в наборе данных являются обычными, и сегодня мы обсудим подход..