已过期65% 置信事实精确时间
Focal Loss由何恺明等人在2017年的RetinaNet论文中提出，用于解决目标检测中前景与背景样本极度不均衡的问题
3
来源数
65%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30(已过期)
来源
深度学习车道线检测：分割转分类实现300+FPS实时推理
bilibili论文发刊罗小黑2026/6/12
相关事实
待验证Boundary Loss由Kervadec等人在2019年提出，将分割问题转化为预测像素到真实边界的距离场68% 相似待验证Loss Scaling最初由NVIDIA在2018年提出，用于解决FP16训练中梯度下溢问题68% 相似待验证PINNs面临的关键理论问题包括损失函数非凸性导致优化困难、梯度病态（spectral bias）使高频分量难以学习、损失函数多项加权平衡策略缺乏理论指导67% 相似待验证2018年Wachter等人将反事实解释形式化为可计算的损失函数：最小化特征变化量的同时约束模型输出翻转到期望类别66% 相似已验证Focal Loss的核心是引入调制因子(1-p_t)^γ，γ通常设为2，使模型训练注意力自动聚焦到难分类样本66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/42657API
curl https://kongchang.com/api/v1/knowledge/claims/42657MCP
get_claim(id=42657)