الخسارة البؤرية

الخسارة البؤرية هي دالة خسارة متخصصة مصممة لمعالجة مشكلة عدم توازن الفئة أثناء تدريب نماذج التعلم الآلي. هذه المشكلة شائعة بشكل خاص في مهام الكشف عن الأشياء، حيث يمكن أن يفوق عدد أمثلة الخلفية (الفئة السلبية) عدد الأشياء ذات الأهمية الأمامية (الفئة الإيجابية). من خلال التعديل الديناميكي لوزن كل مثال، يشجع نموذج Focal Loss النموذج على تركيز جهود التعلم على الأمثلة التي يصعب تصنيفها، بدلاً من أن يغمره العدد الكبير من الأمثلة السلبية سهلة التصنيف. يحسّن هذا النهج بشكل كبير من دقة وأداء النماذج المدرّبة على مجموعات بيانات غير متوازنة.

كيف يعمل الفقد البؤري

الخسارة البؤرية هي تحسين للخسارة المتقاطعة القياسية التي تُستخدم على نطاق واسع في مهام تصنيف الصور. الابتكار الرئيسي، الذي تم تقديمه في ورقة RetinaNet البحثية من قبل باحثين في Meta AI (أبحاث الذكاء الاصطناعي في فيسبوك سابقًا)، هو عامل تعديل يقلل من مساهمة الخسارة من الأمثلة المصنفة جيدًا. وهذا يسمح لتحديثات الترحيل العكسي للنموذج بأن تكون مدفوعة في المقام الأول بالأخطاء من الأمثلة التي يصعب تصنيفها. تتضمن الدالة "معلمة تركيز" تتحكم في معدل الخسارة للأمثلة السهلة التي يتم فيها تقليل الخسارة للأمثلة السهلة. من خلال إعطاء الأولوية لهذه الأمثلة الصعبة، يمكن لخوارزمية التحسين إجراء تعديلات أكثر جدوى على أوزان النموذج، مما يؤدي إلى أداء أفضل بشكل عام، خاصةً بالنسبة لمكتشفات الكائنات ذات المرحلة الواحدة مثل RetinaNet وبعض إصدارات YOLO. يمكنك استكشاف التطبيق التقني للخسارة البؤرية في وثائق Ultralytics.

تطبيقات واقعية

تُعد الخسارة البؤرية مفيدة في تدريب نماذج قوية لمختلف سيناريوهات العالم الحقيقي حيث يمثل اختلال التوازن بين الفئات تحديًا كبيرًا.

• القيادة الذاتية: عند تطوير المركبات ذاتية القيادة، يجب أن تكتشف النماذج مجموعة واسعة من الأجسام، التي يظهر بعضها بشكل غير منتظم، مثل المشاة أو راكبي الدراجات أو إشارات المرور البعيدة. قد تكون الغالبية العظمى من الصورة هي الطريق أو السماء (الخلفية). يساعد فقدان التركيز البؤري النموذج على إيلاء المزيد من الاهتمام لهذه الأجسام الهامة ولكن النادرة، مما يضمن عدم إغفالها. وهذا أمر بالغ الأهمية لبناء ذكاء اصطناعي آمن وموثوق به في حلول السيارات. يتم تقديم نظرة عامة على التحديات في هذا المجال من قبل مؤسسات مثل جامعة كارنيجي ميلون.
• التشخيص الطبي: في تحليل الصور الطبية، يتم تدريب النماذج على اكتشاف الحالات الشاذة مثل الأورام أو الآفات من عمليات المسح. غالبًا ما تكون المنطقة الشاذة صغيرة جدًا مقارنةً بالأنسجة السليمة المحيطة بها. يُمكِّن الفقدان البؤري النموذج من التركيز على تحديد هذه المناطق الدقيقة التي يصعب اكتشافها، والتي قد يتم تجاهلها لصالح فئة الخلفية الكبيرة للغاية. يؤدي ذلك إلى أدوات تشخيصية أكثر دقة وموثوقية، كما رأينا في تطبيقات الكشف عن الأورام في مجموعات البيانات الطبية.

مقارنة مع وظائف الخسارة الأخرى

من المهم التمييز بين الخسارة البؤرية ودوال الخسارة الأخرى ذات الصلة المستخدمة في الرؤية الحاسوبية.

• الخسارة عبر الانتروبيا المتقاطعة: الخسارة البؤرية هي تعديل مباشر للخسارة عبر الانتروبيا المتقاطعة. بينما يعامل Cross-Entropy جميع الأمثلة على قدم المساواة، تقدم Focal Loss مصطلحًا لتقليل تأثير الأمثلة السهلة، مما يجعلها أكثر ملاءمة لبيانات التدريب غير المتوازنة. لفهم أعمق للخسارة المتقاطعة-الإنتروبي، تقدم ملاحظات CS231n في جامعة ستانفورد شرحًا جيدًا.
• الخسارة البؤرية المتغيرة: هذه دالة خسارة أحدث تعتمد على مبادئ الخسارة البؤرية. بينما تتعامل Focal Loss مع جميع الأمثلة الإيجابية على قدم المساواة، فإن Varifocal Loss تزن الأمثلة الإيجابية بناءً على درجة تصنيفها، مما يعطي وزنًا أكبر للأمثلة الإيجابية عالية الجودة. يمكنك معرفة المزيد حول تطبيقها المحدد في مرجع دالة الخسارة البؤرية.
• الخسائر المستندة إلى IoU: تُستخدم دوال مثل التقاطع المعمم على الاتحاد (IoU) و DIoU و CIoU لقياس دقة تحديد موقع المربع المحدود المتوقع. وهي تهتم بمكان وجود الكائن، في حين أن الخسارة البؤرية تهتم بماهية الكائن (تصنيفه). في أجهزة الكشف الحديثة مثل Ultralytics YOLOv8، يتم استخدام خسارة التصنيف (مثل الخسارة البؤرية) وخسارة الانحدار (مثل الخسارة القائمة على IoU) معًا لتدريب النموذج.