火炬损失 我实现的标签平滑，amsoftmax，焦点损耗，双焦点损耗，三重态损耗，giou损耗，亲和力损耗，pc_softmax_cross_entropy，ohem损耗（基于行硬挖掘损失的softmax），大利润- softmax（bmvc2019），lovasz-softmax-loss和dice-loss（广义的软骰子损失和批处理软骰子损失）。 也许这对我的未来工作很有用。 还尝试实现swish，hard-swish（hswish）和mish激活功能。 此外，添加了基于cuda的一键式功能（支持标签平滑）。 新添加一个“指数移动平均线（EMA）”运算符。 添加卷积运算，例如coord-conv2d和dynamic-conv2d（dy-conv2d）。 一些运算符是使用pytorch cuda扩展实现的，因此您需要先对其进行编译： $ python setup.py

针对当前行人检测方法实时性和精度不能同时兼顾的问题,提出基于YOLOv3改进的实时行人检测算法。本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average Precision)达到了91.68%。在分辨率1 920×1 080的视频下,运行速度超过每秒40帧,满足实时行人检测的需求。在Daimler、INRIA行人检测数据集测试结果表明,该改进模型同样具有良好的性能,从而验证该模型具有良好的鲁棒性和泛化能力。

lightgbm（xgboost）中的焦点损失和标签平滑，用于多类 此损失函数包含焦点损失[1]和标签平滑[2]，现在仅支持lightgbm用于多类（类> 3，它将在以后支持xgboost和二进制类问题） 标签平滑 平滑值表示ε的值： 焦点损失 其中alpha，gamma是焦距损失的参数，为： alpha用于不平衡样本，gamma用于难以学习的样本，在多类问题中，alpha似乎毫无用处。 用法： 1.导入损失函数库 import lightgbm as lgb import lossfunction as lf import numpy as np 2.初始化损失函数 focal_loss_lgb = lf.ComplexLoss(gamma = 0.5) param_dist= {'objective':focal_loss_lgb.focal_loss} param_dist['nu

标签平滑技术论文