对抗焦点损失：向判别器索取困难样本
计算机视觉与模式识别
2022-07-19 v1 机器学习
摘要
Focal Loss已获得极高人气，因其使用简单技术识别并利用困难样本，从而在分类任务上取得更优性能。然而，该方法不易推广到分类之外的任务，例如关键点检测。本文提出一种用于关键点检测任务的Focal Loss新适配方案，称为对抗焦点损失(AFL)。AFL不仅在语义上类比于Focal Loss，还可作为即插即用的升级应用于任意损失函数。Focal Loss需要分类器的输出，而AFL利用一个独立的对抗网络为每个输入生成难度分数。该难度分数随后可用于动态优先学习困难样本，即便在没有分类器的情况下亦可。本工作中，我们展示了AFL在增强现有关键点检测方法上的有效性，并验证其基于难度对样本重新加权的能力。
引用
@article{arxiv.2207.07739,
title = {Adversarial Focal Loss: Asking Your Discriminator for Hard Examples},
author = {Chen Liu and Xiaomeng Dong and Michael Potter and Hsi-Ming Chang and Ravi Soni},
journal= {arXiv preprint arXiv:2207.07739},
year = {2022}
}