論文：Asymmetric Loss For Multi-Label Classification

GitHub：https://github.com/Alibaba-MIIL/ASL

https://github.com/Alibaba-MIIL/TResNet

?

阿里巴巴

?

論文基于focal loss解決正負樣本不平衡問題，提出了focal loss的改進版，一種非對稱的loss，即Asymmetric Loss。

主要貢獻：

設計了一個新穎的loss，解決了多標簽分類任務中，正負樣本不平衡問題，標簽錯誤問題。

通過梯度分析，對該loss進行了分析。

提出了自適應的方法來控制非對稱的級別，簡化了超參數選擇過程。

使用ASL?loss，在主流的數據集上取得了?state-of-the-art的效果。其中，?MS-COCO 達到86.6%map，超過之前最好的結果2.8%。

該方法，高效，容易使用。相比于最近的其他方法，該方法基于主流的網絡結構，并且不需要其他的信息。

?

?

非對稱loss-ASL:

Binary Cross-Entropy:

focal loss:

Asymmetric Loss:

為了方便，可以設置?γ+ = 0，這樣L+就是正常的交叉熵損失。而L-可以通過閾值m減少容易負樣本的loss貢獻。其中，?γ? > γ+。

最終，ASL?loss不僅具備focal?loss進行正負樣本平衡的作用，還具備減少容易負樣本loss貢獻的效果。

?

網絡結構：

網絡結構這里采用了TResNet，也是阿里內部發明的網絡結構。在相同推理速度，訓練速度的條件下，具有比EfficientNet更高的精度。

TResNet系列一共有三種型號：TResNet-M，TResNet-L和TResNet-XL，它們的區別僅在深度和通道數量不同。

?

實驗結果：

?

總結：

ASL loss，一種基于focal loss改進的非對稱loss，不僅具備focal?loss進行正負樣本平衡的作用，還具備減少容易負樣本loss貢獻的效果。

本文驗證ASL?loss的落腳點是多標簽分類，但是，ASL loss不僅可以應用于多標簽分類，還可以應用于單標簽分類任務，物體檢測任務。對緩解長尾（long-tail）數據分布具有很好的效果。

?

?

總結

以上是生活随笔為你收集整理的多标签分类之非对称损失-Asymmetric Loss的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。