Создание слоя фокусных потерь с использованием функции фокусных потерь
Уровень фокальных потерь предсказывает классы объектов с использованием фокальных потерь. Добавьте уровень фокальных потерь для обучения обнаружению объектов, семантической сегментации или классификационной сети, когда существует дисбаланс между классами переднего плана и фонового режима. Для компенсации дисбаланса классов функция фокальных потерь умножает функцию перекрестной энтропии на модулирующий коэффициент, который увеличивает чувствительность сети к неправильно классифицированным наблюдениям.
layer = focalLossLayer
layer = focalLossLayer(Name,Value)
Например, focalLossLayer('Name','focalloss') создает слой фокальных потерь с именем 'focalloss' и заданные параметры балансировки и фокусировки.
Укажите имена классов.
classes = ["Vehicle","Background"];
Укажите параметр балансировки и параметр фокусировки функции фокальных потерь. Создайте слой фокальных потерь с именем «focallosslayer» для двух классов, отображая результаты.
layer = focalLossLayer('Classes',classes,'Name','focallosslayer')
layer =
FocalLossLayer with properties:
Name: 'focallosslayer'
Hyperparameters
Gamma: 2
Alpha: 0.2500
Classes: [2x1 categorical]
LossFunction: 'focalLoss'
Создайте сеть DeepLab v3 + на основе ResNet-18.
imageSize = [480 640 3]; numClasses = 5; network = 'resnet18'; lgraph = deeplabv3plusLayers(imageSize,numClasses,network,'DownsamplingFactor',16)
lgraph =
LayerGraph with properties:
Layers: [100x1 nnet.cnn.layer.Layer]
Connections: [113x2 table]
InputNames: {'data'}
OutputNames: {'classification'}
Отображение выходного уровня сети. Выходным уровнем сети DeepLab v3 + является Pixel Classification Layer который использует потери перекрестной энтропии для прогнозирования категориальной метки для каждого пикселя во входном 2-D изображении.
lgraph.Layers(end)
ans =
PixelClassificationLayer with properties:
Name: 'classification'
Classes: 'auto'
ClassWeights: 'none'
OutputSize: 'auto'
Hyperparameters
LossFunction: 'crossentropyex'
Заменить выходные данные Pixel Classification Layer с Focal Loss Layer для обработки несбалансированных классов в данных.
layer = focalLossLayer("Name","focalloss"); lgraph = replaceLayer(lgraph,"classification",layer);
Отображение сети.
analyzeNetwork(lgraph);
Создайте 3D сеть U-Net для семантической сегментации при помощи unet3dLayers функция. Установите глубину кодера-декодера на 2 и укажите количество выходных каналов для первого уровня свертки как 16.
imageSize = [128 128 128 3]; numClasses = 5; lgraph = unet3dLayers(imageSize,numClasses,'EncoderDepth',2,... 'NumFirstEncoderFilters',16); figure plot(lgraph)
Создайте слой фокусных потерь и замените Segmentation-Layer в сети со слоем фокальных потерь. Слой предсказывает категориальную метку для каждого вокселя во входном 3-D объеме.
layer = focalLossLayer("Name","focalloss"); lgraph = replaceLayer(lgraph,"Segmentation-Layer",layer)
lgraph =
LayerGraph with properties:
Layers: [40x1 nnet.cnn.layer.Layer]
Connections: [41x2 table]
InputNames: {'ImageInputLayer'}
OutputNames: {'focalloss'}
Отображение сети.
analyzeNetwork(lgraph);
[1] Лин, Цунг-И, Прия Гоял, Росс Гиршик, Каймин Хэ и Петр Доллар. «Фокальная потеря для обнаружения плотных объектов». В 2017 году IEEE ® Международная конференция по компьютерному зрению (ICCV), 2999-3007. Венеция: IEEE, 2017. https://doi.org/10.1109/ICCV.2017.324.
focalCrossEntropy | trainSSDObjectDetector | trainNetwork (инструментарий для глубокого обучения)