Descripción detallada del desequilibrio de la muestra en la detección de objetivos
2. Muestra negativa: área de fondo de la imagen
3. Muestras positivas fáciles de clasificar
4. muestras Muestra: En situaciones reales, esta categoría representa una proporción muy alta.
5. Es difícil distinguir muestras positivas: esta parte de la muestra tiene una función de pérdida más alta para una sola muestra durante el proceso de entrenamiento, pero representa una proporción menor del total de muestras.
6. Es difícil separar muestras negativas
1.OHEM: Minería de casos difíciles en línea: dirigida principalmente a la selección automática de muestras difíciles durante el proceso de capacitación; para filtrar en función de la pérdida de muestras de entrada.
2.S-OHEM: minería de muestras difíciles en línea basada en muestreo de distribución de pérdidas
3 Pérdida de enfoque: céntrese en muestras difíciles, mejore la función de entropía cruzada en el proceso de clasificación. y proponer una función de pérdida que pueda ajustar dinámicamente los pesos.
4.GHM: El mecanismo de ecualización de gradiente de la función de pérdida comienza desde la norma de gradiente de la muestra y la pondera dinámicamente de acuerdo con la proporción de la norma de gradiente.
1.ATSS: La importancia de la distribución de muestras positivas y negativas se ilustra mediante análisis y comparación experimentales, y se diseña un método IoU medio.
2. SAPD: una estrategia de entrenamiento de atención ponderada suavemente está diseñada para reducir la atención del presentador a la información de fondo.
3. AutoAsignación: la alineación de etiquetas se trata como un problema continuo, sin diferencia real entre muestras positivas y negativas. Cada mapa de características tiene atributos de muestra positivos y negativos. Sólo el peso es diferente.
4.DETR: trate la tarea de detección de objetivos como un problema de imagen a conjunto y utilice el algoritmo húngaro para lograr la máxima coincidencia entre el valor predicho y el valor real, y los dos corresponden uno a uno.
1. Los métodos de muestreo ascendente y descendente aumentan el número de categorías menos o reducen el número de categorías densas.