待验证50% 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

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

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% 相似待验证缺陷检测任务的核心难点在于样本极度不平衡，业界通常采用数据增强、损失函数加权（如Focal Loss）或异常检测范式应对65% 相似待验证级联架构面临的核心挑战是误差传播，上游模型的偏差会被放大传递到下游64% 相似待验证对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/42657

API

curl https://kongchang.com/api/v1/knowledge/claims/42657

MCP

get_claim(id=42657)