- 综合排序
- 最热优先
- 最新优先
- 来自专栏我爱计算机视觉
Seesaw Loss：一种面向长尾目标检测的平衡损失函数
因此，我们提出 Seesaw Loss 来动态地抑制尾部类别上过量的负样本梯度，同时补充对误分类样本的惩罚。 Seesaw Loss 显著提升了尾部类别的分类准确率，进而为检测器在长尾数据集上的整体性能带来可观的增益。 为了解决这个问题，我们提出了 Seesaw Loss 来针对性地调整施加在任意一个类别上的负样本梯度。 为了避免背景类对 Seesaw Loss 平衡前景类别之间正负样本梯度的干扰，我们的设计解耦了分类器的两个功能，即用一个额外的二分类器分辨前景和背景，而原本的分类器只用来区分前景类别并用 Seesaw 我们在LVIS v1.0 数据集上对 Seesaw Loss 进行了详细的测试。
1.7K10发布于 2021-01-05 - 来自专栏人工智能前沿讲习
【源头活水】Seesaw Loss：一种面向长尾目标检测的平衡损失函数
因此，我们提出 Seesaw Loss 来动态地抑制尾部类别上过量的负样本梯度，同时补充对误分类样本的惩罚。 Seesaw Loss 显著提升了尾部类别的分类准确率，进而为检测器在长尾数据集上的整体性能带来可观的增益。 ? 为了解决这个问题，我们提出了 Seesaw Loss 来针对性地调整施加在任意一个类别上的负样本梯度。 为了避免背景类对 Seesaw Loss 平衡前景类别之间正负样本梯度的干扰，我们的设计解耦了分类器的两个功能，即用一个额外的二分类器分辨前景和背景，而原本的分类器只用来区分前景类别并用 Seesaw 我们在LVIS v1.0 数据集上对 Seesaw Loss 进行了详细的测试。
99310发布于 2021-01-13 - 来自专栏腾讯云TI平台
AI Talk | 数据不均衡精细化实例分割
其次，对现有的损失函数进行优化，采用seesaw loss进行梯度再平衡，削弱头部多样本类别对尾部少样本类别的梯度抑制。 （3）Seesaw Loss 限制实例分割算法在类别严重不均衡数据上性能的一个关键原因是，施加在尾部少样本类别上的正负样本梯度的比例是不均衡的，过多的负样本梯度容易导致尾部类别的置信度较低。 而Seesaw Loss可以利用缓解因子Mij和补偿因子Cij动态抑制尾部类别样本的过度的负梯度，同时补充对误分类样本的惩罚，避免模型产生高虚警影响。 Seesaw Loss的数学表达如下： 其中Sij是一个平衡系数，通过调节Sij可以达到放大或者缩小第i类施加在第j类上的负样本梯度，从而应对类别不均衡问题。
92730编辑于 2022-01-27 - 来自专栏腾讯云TI平台
AI Talk | 数据不均衡精细化实例分割
其次，对现有的损失函数进行优化，采用seesaw loss进行梯度再平衡，削弱头部多样本类别对尾部少样本类别的梯度抑制。 （3）Seesaw Loss 限制实例分割算法在类别严重不均衡数据上性能的一个关键原因是，施加在尾部少样本类别上的正负样本梯度的比例是不均衡的，过多的负样本梯度容易导致尾部类别的置信度较低。 而Seesaw Loss可以利用缓解因子Mij和补偿因子Cij动态抑制尾部类别样本的过度的负梯度，同时补充对误分类样本的惩罚，避免模型产生高虚警影响。 Seesaw Loss的数学表达如下： 其中Sij是一个平衡系数，通过调节Sij可以达到放大或者缩小第i类施加在第j类上的负样本梯度，从而应对类别不均衡问题。
1.1K20编辑于 2022-01-07 - 来自专栏CVer
Transformer又助力夺冠！LVIS 2021长尾分布实例分割冠军解决方案
Seesaw Loss: 限制检测器在长尾分布数据上性能的一个关键原因是，施加在尾部类别上的正负样本梯度的比例是不均衡的，过多的负样本梯度容易导致尾部类别的置信度较低。 而Seesaw Loss可以利用缓解因子Mij和补偿因子Cij动态抑制尾类样本的过度负梯度，同时补充对误分类样本的惩罚，避免误报。 Seesaw Loss的数学表达如下： 其中Sij是一个平衡系数，通过调节Sij可以达到放大或者缩小第i类施加在第j类上的负样本梯度，从而应对长尾分布问题。
1.5K20发布于 2021-11-02 - 来自专栏AI算法札记
不平衡之钥: 重加权法知几何
1.8 Seesaw loss Seesaw loss [14] 使用两个重加权因子 (即减缓因子和补偿因子)重新平衡每个类别的正负梯度。 Lin, “Seesaw loss for long-tailed instance segmentation,” in Computer Vision and Pattern Recognition,
1.3K30编辑于 2022-08-02 - 来自专栏AIGC 先锋科技
长尾语义分割的挑战与解决方案，基于 Transformer 的 Query匹配在LTSS中的应用 ！
为了展示现有长尾方法的效果以及任务设置之间的差异，作者从不同方面评估了mask2former框架下的三种经典长尾学习方法，即过采样（RFS[22]）、数据增强（copy-paste[23]）和类别级损失重加权（seesaw **作者评估了三种结合mask2former在长尾数据集上的经典长尾解决方案（RFS、copy-paste和seesaw loss）。 为了公平比较，作者为RFS和seesaw loss搜索最佳超参数，并发布带有具体配置的代码。**基于频率的匹配器。 虽然Seesaw Loss增加了低频类别的权重，但它只影响分类损失。Seesaw Loss大约带来0.61.1个点的mIoU改进，图像 Level 的mIoU{}{t}提高了\sim个点。 此外，FM与seesaw损失结合在低频类别分割上取得了最佳性能，图像级mIoU和像素级mIoU分别比vanilla mask2former Baseline 高出5.2和4.6个百分点。
79610编辑于 2024-07-08 - 来自专栏优图实验室的专栏
腾讯优图斩获ICCV2021 LVIS Challenge Workshop冠军，同时荣获该项目最佳创新奖
同时，优图采用了Seesaw Loss，在训练中动态地抑制尾部类别上过量的负样本梯度，并补充对误分类样本的惩罚。
72030发布于 2021-10-26 - 来自专栏埋名
我的一周头条 2349
不过一天只能使用 5 次，有点少 找网站设计灵感的网站 https://www.seesaw.website 另外一个网页设计需要灵感资源网站，该资源为您带来数百个想法！
48810编辑于 2023-12-11 - 来自专栏互联网杂技
开源巨献：Google最热门60款开源项目
（详情：https://github.com/google/brotli） 31、负载均衡系统 Seesaw ★Star 4286 Seesaw 是 Google 开源的一个基于 Linux 的负载均衡系统 Seesaw 包含基本的负载均衡特性，同时支持一些高级的功能，诸如：anycast, Direct Server Return (DSR), 支持多个 VLANs 和集中式配置。 （详情：https://github.com/google/seesaw） 32、Gumbo ★Star 4060 Gumbo 是 Google 的一款用C语言实现的HTML5解析库，无需任何外部依赖。
7.7K61发布于 2018-04-04 - 来自专栏顶级程序员
开源巨献：Google最热门60款开源项目
（详情：https://github.com/google/brotli） 31、负载均衡系统 Seesaw ★Star 4286 Seesaw 是 Google 开源的一个基于 Linux 的负载均衡系统 Seesaw 包含基本的负载均衡特性，同时支持一些高级的功能，诸如：anycast, Direct Server Return (DSR), 支持多个 VLANs 和集中式配置。 （详情：https://github.com/google/seesaw） 32、Gumbo ★Star 4060 Gumbo 是 Google 的一款用C语言实现的HTML5解析库，无需任何外部依赖。
2.5K90发布于 2018-05-03 - 来自专栏计算机视觉理论及其实现
FASA: Feature Augmentation and Sampling Adaptationfor Long-Tailed Instance Segmentation
Seesaw损失动态地重新平衡正样本和负样本的梯度，尤其是对于罕见类别。令人惊讶的是，数据扩充作为一种简单的技术，很少被研究用于长尾实例分割。 5） Seesaw损失平衡了不同类别的正样本和负样本的累积梯度比率。 使用Mask R-CNN基线的比较： 当与Mask R-CNN基线相结合时，上述方法显示出了坚实的改进。 当与更强的方法（RFS/EQL/cRT/BAGS/Seesaw）或训练计划相结合时，FASA仍然可以在整体AP中获得一致的改进，其中APr中罕见的类改进占主导地位。 值得注意的是，作为正交分量，它改进了其他最近的方法，如RFS、EQL、cRT、BAGS和Seesaw。
73210编辑于 2023-10-07 - 来自专栏OpenMMLab
叮咚 ~ 你订阅的 OpenMMLab 开源社区 10 月刊已送达
T2T-ViT 和 Res2Net 两个 backbone 和预训练模型 - 新增了对 ImageNet 21k 数据集的支持 - 新增了一个可视化数据预处理效果的小工具，参考教程使用~ - 新增了对 Seesaw
95720编辑于 2022-01-18 - 来自专栏OpenMMLab
叮咚 ~ 你订阅的 OpenMMLab 开源社区 11 月刊已送达
readme - 重构了 FP16 训练的配置文件 - 与更新后的官方版 YOLOX 对齐了精度 - 对使用 PhotoMetricDistortion 数据增强的模型训练进行加速并减少内存占用 - 使 seesaw
79320编辑于 2022-01-18 - 来自专栏DeepHub IMBA
DeepSeek 开年王炸：mHC 架构用流形约束重构 ResNet 残差连接
但是一旦你动了那个“相加”，Identity 的属性就没了，梯度传播就开始不稳定，这样训练起来特别容易炸他们管这叫 Seesaw Effect（跷跷板效应）。
34210编辑于 2026-01-12 - 来自专栏埋名
我的一周头条 2350
如果您需要特定部分的一些参考信息，建议您使用 https://www.unsection.com/ 之前我们分享了，网页设计需要灵感参考的 2 个网站 https://godly.website https://www.seesaw.website
50410编辑于 2023-12-11 - 来自专栏null的专栏
多目标建模算法PLE
然而，在多任务建模过程中，还存在另外一种现象，称为跷跷板现象（seesaw phenomenon）。
2K30编辑于 2023-02-01 - 来自专栏null的专栏
多目标建模算法PLE
然而，在多任务建模过程中，还存在另外一种现象，称为跷跷板现象（seesaw phenomenon）。
1.9K50编辑于 2023-01-18 - 来自专栏云计算教程系列
如何在Ubuntu 16.04上使用MySQL 5.6配置Galera集群
我们可以从此节点添加另一个值： mysql -u root -p -e 'INSERT INTO playground.equipment (type, quant, color) VALUES ("seesaw --+-------+--------+ | 1 | slide | 2 | blue | | 2 | swing | 10 | yellow | | 3 | seesaw
1.3K00发布于 2018-09-20 - 来自专栏我爱计算机视觉
CV Code | 本周新出计算机视觉开源代码汇总（含目标跟踪、语义分割、姿态跟踪、少样本学习等）
Hospedales https://arxiv.org/abs/1905.03422v1 （将开源，还未放出地址） 轻量级网络设计，重新思考逆残差结构 Seesaw-Net: Convolution
80010发布于 2019-12-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号