您好，这个方法可以用在单阶段的模型中吗

[gbdjxgp]

如题，这个方法可以用在单阶段的模型中吗，如果能用在单阶段模型中的话，又需要对哪些部分进行改动呢？

[Tianhao-Qi]

你好，这个方法我们只在两阶段检测器上尝试过，没有在单阶段检测器上测试过，可以先在分类头上尝试一下，如果有问题可以深入讨论下～

[gbdjxgp]

你好，这个方法我们只在两阶段检测器上尝试过，没有在单阶段检测器上测试过，可以先在分类头上尝试一下，如果有问题可以深入讨论下～

首先感谢大佬的回复！！！有几个问题想向您请教下。 1.我看到您的代码发现在损失函数中应用了Balanced Group Softmax的思想，但是网络损失函数的计算中却并没有进行Softmax操作，只在update_cm中有相关的操作。想问一下原因。 2.如果移植到单阶段模型中的话，还需要考虑前景背景平衡的问题，针对这个问题我想到了两个解决方案，想问一下作者我做的大致思路是否正确 （1）背景类别使用focal loss计算损失，前景类别使用您提到的FCBL损失。 （2）前景背景都使用FCBL损失，但需要分开计算并取相应的平均（如前景10个，背景10000个，那么计算出来的损失=前景/10+背景/10000） 3.关于FHM模块移植到单阶段的问题，单阶段分类头直接通过特征图得到分类结果，有什么好的思路分类头上进行特征增强呢？

[Tianhao-Qi]

非常抱歉，最近事情繁多，没能及时回复，以下是我的一些个人理解：

1. 我们提出的FCBL损失与Balanced Group Softmax还是不太一样的，后者需要根据数据集先验信息手动对类别分组，而我们的方法则是根据训练过程中动态更新的混淆矩阵对学习状态不同的类别进行调整。在实验中我们发现sigmoid交叉熵损失对large vocabulary任务都优势，所以损失计算是用的sigmoid，至于update_cm中出现的softmax函数，完全是为更新混淆矩阵使用的，可参考论文中的Table II的confusion matrix的计算公式
2. 我觉得思路（1）可能更合理一些，我发现对背景类别也进行均衡操作后，会引入很多的假阳样本，严重影响检测精度，所以我整个FCBL损失也是只应用到了前景样本的前景类别上。
3. 对于anchor-free的单阶段检测器，他们直接通过回归得到分类结果，FHM模块是不能直接迁移的，需要进行改写；以yolo为例，因为图片被分成了7*7的网格，每个网格回归两个bounding box，可以根据label和gt_box找出尾部类别样本所在图像的网格，增加对应网格回归出来的bounding box数量。

[hopelesspuppet]

如题，这个方法可以用在单阶段的模型中吗，如果能用在单阶段模型中的话，又需要对哪些部分进行改动呢？

你好，请问你找到改动方式了吗

[gbdjxgp]

如题，这个方法可以用在单阶段的模型中吗，如果能用在单阶段模型中的话，又需要对哪些部分进行改动呢？

你好，请问你找到改动方式了吗

暂时还没有想法呢，准备过一个月改改试试

[TonightGo]

Reference in

你好，在单阶段目标检测方法（如yolo系列），有实现成功吗？