待验证50% 置信事实精确时间
RetinaNet引入Focal Loss解决类别不平衡问题
1
来源数
50%
置信度
长期有效
时效性
2026/8/14
首次发现
来源
相关事实
待验证Dice Loss和IoU Loss对前景像素的相对比例更敏感，天然缓解类别不平衡；Focal Loss通过动态降低易分类样本的权重迫使模型专注于困难像素67% 相似待验证逐图归一化会抹掉图像间的绝对强度差异，破坏遥感分割效果，因为模型无法从归一化后数值重建NDVI等物理光谱关系60% 相似待验证2018年Li等人在论文《Visualizing the Loss Landscape of Neural Nets》中研究表明简单网络的损失景观也具有复杂几何特性58% 相似待验证前端视觉任务是多数LLM的弱项，根本原因在于视觉正确性缺乏明确的文本损失信号，而后端代码有明确的单元测试作为强化信号57% 相似待验证ESRGAN引入了感知损失（Perceptual Loss）和残差密集块（RRDB），在超分辨率上效果显著57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/746916API
curl https://kongchang.com/api/v1/knowledge/claims/746916MCP
get_claim(id=746916)