# 用 PyTorch 实现 GHM（Gradient Harmonizing Mechanism）
在计算机视觉和深度学习的领域，处理样本不均衡的问题是一个重要的任务。GHM（Gradient Harmonizing Mechanism）就是一种旨在解决这个问题的技术。接下来，我们将步骤化地介绍如何在 PyTorch 中实现 GHM。以下是我们要完成的主要流程：
| 步骤
刚开始学AI，几乎没用过Python，听说PyTorch发展不错，且比TensorFlow更容易上手，调试也更简单，那就PyTorch吧。在PyTorch官网文档指导下，安装好了PyTorch，接着就看官网的，这篇tutorial写得很不错，文字部分基本都能理解，但是到了第一个例子，虽然是及其简单的AI示例，但我看代码还是感觉吃力，又查了不少资料，才大概理解，这里就算是做了个笔记和总结吧。示例代码
转载
2023-10-12 13:44:54
95阅读
焦点损失函数 Focal Loss（2017年何凯明大佬的论文）被提出用于密集物体检测任务。 当然，在目标检测中，可能待检测物体有1000个类别，然而你想要识别出来的物体，只是其中的某一个类别，这样其实就是一个样本非常不均衡的一个分类问题。 而Focal Loss简单的说，就是…
原创
2021-05-20 21:55:29
1319阅读
全球人类改造数据集 (gHM) 以 1 平方公里的分辨率提供全球人类对陆地土 C.M., J.R. Oakleaf,
原创
2022-06-26 01:17:33
144阅读
Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义，效果也非常令人称赞。GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019，是基于Focal los
转载
2023-04-16 12:12:00
558阅读
前言这篇论文仍然是瞄准了One-Stage目标检测算法中的正负样本不均衡问题，上周我们介绍He Kaiming等人提出的Focal Loss，推文地址如下：https://mp.weixin.qq.com/s/2VZ_RC0iDvL-UcToEi93og 来解决样本不均衡的问题。但这篇论文提出，Focal Loss实际上是有问题的，论文论述了该问题并提出了GHM Loss更好的解决One-Stag
原创
2022-04-19 14:44:11
446阅读
The global Human Modification dataset (gHM) provides a cumulative measure
原创
2022-05-26 01:21:32
399阅读
目录1、摘要2、简介1、梯度协调机制的原理1、问题描述2、梯度密度3、GHM-C Loss4、单位区域近似1、复杂分析2、单元区域3、EMA4、GHM-R loss5、实验1、实现细节1、网络设置2、优化2、GHM-C Loss1、baseline2、区域单元的数量3、速度4、与其他方法的比较3、GHM-R Los...
原创
2021-08-13 09:51:28
198阅读
Gradient Harmonized Single-stage Detector摘要介绍梯度协调机制问题描述梯度密度GHM-C损失Unit Region Approximation复杂度分析单位区域指数移动平均（EMA）GHM-R 损失实验部分数据集实施细节网络设置：优化： 摘要GHM（ gradient harmonizing mechanism）的提出是为了解决单阶段检测器存在的正负样本和
转载
2024-09-23 01:10:35
41阅读
最近GHM太热门了，因此最近在做GHM的实验，因此做个笔记。文章：https://arxiv.org/pdf/1811.05181.pdf介绍GHM之前，先提一下Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。Focal loss做了什么：在二分类交叉熵前面加了权重，而权重由输出
介绍了包括OHEM、S-OHEM、Focal loss、GHM等在内的几种主要方法，并梳理了它们的思路和优缺点。
转载
2021-06-24 15:03:49
1754阅读
比较全，转载供查。（原文出处：http://ghm.blog.luohuedu.net/blog/60826.aspx）
序号
中文说明
标记语法
1
字体样式
转载
2010-10-28 20:58:35
5064阅读
Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义，效果也非常令人称赞。GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019，是基于Focal los
目标检测论文阅读：GHM(anchor based)论文链接：https://arxiv.org/abs/1811.05181 今天介绍一篇AAAI 2019的文章，Gradient Harmonized Single-stage Detector。文章的motivation和focal loss有一点相似，都是致力于不平衡问题。1. Background首先，关于目标检测的类别不平衡问题就不再
数据类别不均衡问题应该是一个极常见又头疼的的问题了。最近在工作中也是碰到这个问题，花了些时间梳理并实践了类别不均衡问题的解决方式，主要实践了“魔改”loss（focal loss, GHM loss, dice loss 等），整理如下。所有的 Loss 实践代码在这里：https://github.com/shuxinyin/NLP-Loss-Pytorch数据不均衡问题也可以说是一个长尾问题，
作者丨SFXiang极市导读本文对目标检测中的样本不均衡问题类别进行了详细叙述，介绍了包括OHEM、S-OHEM、Focal loss、GHM等在内的几种主要方法，并梳理了它们的思路和优缺点。前面的话当前主流的物体检测算法，如Faster RCNN和SSD等，都是将目标检测当做分类问题来考虑，即先使用先验框或者RPN等生成感兴趣的区域，再对该区域进行分类与回归位置。这种基于分类思想的目标检测算法存
首先，说下Redis安装后的常用操作，安装后，主要有两种方式可以操作redis，一种是通过终端、一种是通过可视化图形界面，可视化图形界面的客户端工具，下载后，配置，直接操作即可，软件比较容易上手：百度网盘地址：https://pan.baidu.com/s/1wdE8Xxku0ghM6xP77O0k9w下面说下终端的使用：redis一般都会开启，requirepass的设置，即密码设置，可以通过修
转载
2023-09-23 17:04:12
176阅读
动机之前所有处理样本不平衡问题的论文都是采用reweight或者采样的方法，并且都是基于手工调优的，例如RetinaNet需要设置FL的参数，GHM则要设置bins的数目和momentum的大小。该论文则提出了一种基于学习的方法来处理样本不平衡问题，不仅性能更好，而且能自适应不同的数据集。模型框架RetinaNet-Obj作者首先引入了另一种不同于Focal Loss处理样本不平衡问题
转载
2024-09-29 20:39:02
95阅读
摘要：本篇主要从理论到实践解决文本分类中的样本不均衡问题。首先讲了下什么是样本不均衡现象以及可能带来的问题；然后重点从数据层面和模型层面讲解样本不均衡问题的解决策略。数据层面主要通过欠采样和过采样的方式来人为调节正负样本比例，模型层面主要是通过加权Loss，包括基于类别Loss、Focal Loss和GHM Loss三种加权Loss函数；最后讲了下其他解决样本不均衡的策略，可以通过调节阈值修
转载
2021-09-01 14:14:00
4616阅读
2评论
