二元懲罰降低焦點交叉熵（Binary Penalty Reduced Focal CrossEntropy）

[來源]

BinaryPenaltyReducedFocalCrossEntropy 類別

keras_cv.losses.BinaryPenaltyReducedFocalCrossEntropy(
    alpha=2.0,
    beta=4.0,
    from_logits=False,
    positive_threshold=0.99,
    positive_weight=1.0,
    negative_weight=1.0,
    reduction="sum_over_batch_size",
    name="binary_penalty_reduced_focal_cross_entropy",
)

實作 CenterNet 修改後的焦點損失函數。

與 keras.losses.BinaryFocalCrossentropy 相比，此損失函數會針對值小於 positive_threshold 的負標籤進行折扣，負標籤的值越大，最終損失的折扣就越多。

使用者可以選擇將關鍵點的數量除以損失計算之外，或透過傳遞 sample_weight 作為 1.0/num_key_points。

參數

• alpha：用於計算焦點因子的聚焦參數。預設值為 2.0。請注意，這相當於 keras.losses.BinaryFocalCrossentropy 中的 gamma 參數。
• beta：浮點數參數，負標籤的懲罰指數，預設值為 4.0。
• from_logits：是否預期 y_pred 是 logits 張量，預設值為 False。
• positive_threshold：任何大於此值的都被視為正標籤，預設值為 0.99。
• positive_weight：正樣本的單一純量權重，預設值為 1.0。
• negative_weight：負樣本的單一純量權重，預設值為 1.0。

輸入： y_true：[批次大小, ...] 浮點數張量 y_pred：[批次大小, ...] 與 y_true 形狀相同的浮點數張量。

參考資料

• 將物件視為點 公式 1. - Cornernet：將物件偵測為成對關鍵點，用於 alpha 和 beta。