主要内容

focalLossLayer

使用焦损函数创建焦丢失层

全部展开页面

描述

焦点损耗层使用焦点损耗预测对象类。当前景和背景类之间存在不平衡时，添加焦丢失层以培训对象检测，语义分割或分类网络。为了补偿类别不平衡，焦损函数将交叉熵函数乘以调节因子，这些因子增加了网络的灵敏度以错误分类的观察。

创建

语法

层= focalLossLayer
tillay = focallosslayer（名称，值）

描述

例子

层= Focallosslayer.为深度学习网络创建一个焦损层。有关如何在对象检测网络中使用焦损层的信息，请参阅创建SSD对象检测网络．

例子

层= FocallossLayer（名称，价值）使用一个或多个名称值对参数设置焦点丢失层的属性。将每个属性名称括在引号中。

例如，focalLossLayer('名称',' focalloss ')创建一个具有名称的焦丢失层“focalloss”以及指定的平衡和聚焦参数。

属性

展开全部

焦损耗函数的平衡参数，指定为正实数。的Α值线性地缩放损耗功能，通常设置为0．25．如果你减少Α， 增加伽玛．

聚焦损失函数的聚焦参数，指定为一个正实数。增加…的价值伽玛提高网络的敏感性以错误分类的观察。

网络被训练来检测的对象类，指定为字符串向量、类别向量、字符向量单元数组或“汽车”．当你设置时类来“汽车”，此类自动设置在培训时间。指定字符串矢量或字符向量的单元数组时，然后元素类根据输出分类类别函数。

数据类型：字符串|分类|细胞|char

层名，指定为字符向量或字符串标量。若要在层图中包含层，必须指定非空的唯一层名。如果你用层和的名字被设置为＇＇，然后软件会自动为培训时间分配给图层的名称。

数据类型：char|字符串

例子

全部收缩

打开直播脚本

指定类名。

类= [“汽车”，“背景”];

指定突变参数，并对焦参数的焦点损失功能。为两个类创建名为“focallosslayer”的焦丢失层，显示结果。

层= focalLossLayer ('课程'，课程，“名字”，'fofallosslayer'）
layer = focallsslayer with properties: Name: ' focallsslayer ' Hyperparameters Gamma: 2 Alpha: 0.2500 Classes: [2x1 category] LossFunction: 'focalLoss'

此示例使用：

打开直播脚本

基于Reset-18创建Deeplab V3 +网络。

图像= [480 640 3];numclasses = 5;网络=“resnet18”；lgraph = deeplabv3plusLayers(图象尺寸,numClasses、网络'downsamplingfactor'16）
lgraph = LayerGraph with properties: Layers: [100x1 nnet.cnn.layer.Layer] Connections: [113x2 table] InputNames: {'data'} OutputNames: {'classification'}

显示网络的输出层。DeepLab v3+网络的输出层是一个像素分类层它利用交叉熵损失来预测输入二维图像中每个像素的分类标签。

Layers（结束）
ans = PixelClassificationLayer with properties: Name: 'classification' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

替换输出像素分类层与之焦损失层处理数据中的不平衡类。

层= focalLossLayer (“名称”，“focalloss”）;Lgraph =替换剂（LGROPE，“分类”层);

显示网络。

analyzeNetwork (lgraph);

此示例使用：

打开直播脚本

使用使用创建一个3-D U-Net网络进行语义分割Unet3dlayers.函数。设置编码器-解码器深度为2，并指定第一卷积层的输出通道数为16。

图像_ [128 128 128 3];numclasses = 5;Lgraph = Unet3dlayers（图像化，numcrasses，“EncoderDepth”2，．..'numfirstencoderfilters'16);图绘制(lgraph)

图中包含一个坐标轴。坐标轴包含一个graphplot类型的对象。

创建一个焦丢失层并替换分段层在具有焦损层的网络中。该层预测输入三维体积中每个体素的分类标签。

层= focalLossLayer (“名称”，“focalloss”）;Lgraph =替换剂（LGROPE，“分段层”，层）
LAPHR =具有属性的分层图：图层：[40x1 nnet.cnn.layer.layer]连接：[41x2表]输入名称：{'imageInputLayer'} OutputNames：{'Focalloss'}

显示网络。

analyzeNetwork (lgraph);

更多关于

展开全部

参考

[1]林，钟义，Priya Goyal，Ross Girshick，Kaiming He和Piotr美元。“致密物体检测的焦点损失。”2017年IEEE®计算机愿景国际会议（ICCV），2999 - 3007。威尼斯:IEEE 2017。https://doi.org/10.1109/ICCV.2017.324。

扩展功能

另请参阅

||(深度学习工具箱)

主题

在R2020A中介​​绍

计算机视觉工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书