0 前言
针对不同的分类,正负样本的概念有所不同:目标分类和目标检测
1 目标分类
目标分类中,二分类问题中正样本就是要检测的样本(即目标),相应的不是正样本就是负样本;
样本不均衡会导致比例比较大的样本过拟合,也就是说模型偏向于学习样本数量较多的,这就会大大降低模型的泛化能力。
2 目标检测
目标检测中正负样本指的是模型自己预测出来的框与GT的IoU大于你设定的阈值即为正样本,
首先,检测问题中的正负样本并非人工标注的那些框框,而是程序中(网络)生成出来的框框,也就是faster rcnn中的anchor boxes以及SSD中在不同分辨率的feature map中的默认框,这些框中的一部分被选为正样本,一部分被选为负样本,另外一部分被当作背景或者不参与运算。
不同的框架有不同的策略,大致都是根据IOU的值,选取个阈值范围进行判定,在训练的过程中还需要注意均衡正负样本之间的比例。
对于目标检测算法,主要需要关注的是对应着真实物体的正样本,在训练时会根据其loss来调整网络参数。相比之下,负样本对应着图像的背景,如果有大量的负样本参与训练,则会淹没正样本的损失,从而降低网络收敛的效率与检测精度。
YOLO则不是使用预设的纵横比和尺度的组合,而是使用k-means聚类的方法,从训练集中学习得到不同的Anchor。
(21条消息) YOLO-----关于正负样本、Loss、IOU、怎样去平衡正负样本的问题?_划水的鱼儿的博客-CSDN博客
文章来源:https://www.toymoban.com/news/detail-480569.html
参考连接
https://mp.weixin.qq.com/s/nihy8ZbDTC-fNTfc3grmpg文章来源地址https://www.toymoban.com/news/detail-480569.html
到了这里,关于什么是正负样本的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!