标签: #히트맵

← 全部文章

• 损失函数与训练技巧：交叉熵、focal loss、热图损失、数据增强、学习率调度、混合精度

  本文总结了决定模型“判定什么算做得好”的损失函数，以及让训练更快更稳定的各种技巧。通过具体的数值计算展示了 focal loss 如何解决交叉熵在简单背景的 10 万个网格中被淹没的问题（CE 中的物体份额 5.3% → focal 96.5%，直接计算），并确认了热图损失（MSE 与减分较少的 focal）、数据增强（AlexNet·U-Net·mixup）、热身 + 余弦学习率、大批次线性缩放规则，以及半精度下小梯度归零现象和损失缩

  2026-10-17 · 14 分钟阅读 #비전 모델#손실 함수#focal loss#데이터 증강#학습률

• U-Net 与 HRNet：保持分辨率的结构与热图输出

  分类模型通过不断缩小图像来弄清“是什么”，而寻找球、姿态估计和分割则需要知道“准确在哪里”。U-Net（2015）通过先缩小再放大并利用跳跃连接带回精细位置，而 HRNet（2019）则让高分辨率分支贯穿始终并持续融合多种分辨率，本文结合论文数据整理了两者的设计原理。通过直接计算，我们确认了直径 3px 的球在 1/8 分辨率下消失的过程，以及在将热图读回坐标时使用“加权中心”代替“最亮格子”能将误差减少 7–8 倍。这也延续了为何 T

  2026-10-17 · 12 分钟阅读 #비전 모델#U-Net#HRNet#히트맵#분할