Focal Loss for Dense Object Detection 论文解读

Paper:Focal Loss for Dense Object Detection ：https://arxiv.org/abs/1708.02002

1、主要解决问题总览： https://blog.csdn.net/JNingWei/article/details/80038594

  https://www.jianshu.com/p/6388838d8ae7

1、Focal Loss for Dense Object Detection 论文解读  https://blog.csdn.net/julialove102123/article/details/79709839

2、如何评价Kaiming的Focal Loss for Dense Object Detection？  https://www.zhihu.com/question/63581984

大体解决的问题

众所周知，detector主要分为以下两大门派：

 

-	one stage系	two stage系
代表性算法	YOLOv1、SSD、YOLOv2、YOLOv3	R-CNN、SPPNet、Fast R-CNN、Faster R-CNN
检测精度	低	高
检测速度	快	慢

       这种鱼(speed)与熊掌(accuracy)不可兼得的局面一直成为Detection的瓶颈。在论文中作者去探讨了造成one stage精度低的原因，发现在训练密集目标检测器的过程中出现了严重的foreground-background类别不平衡。

究其原因，就是因为one-stage受制于万恶的 “类别不平衡” 。

1、什么是“类别不平衡”呢？

      检测算法在早期会生成很多bbox，而在一幅正常的图像中需要检测的object不会很多，顶多就那么几个object。这就意味着绝大多数的bbox是属于background，使得foreground-background类别不平衡。

2、“类别平衡问题”为什么会导致检测精度低呢？

      因为bbox数量爆炸， 而这些bbox中属于background的bbox太多了，假设分类器将所有的bbox全部归为background，那么精度accuracy可以刷的很高，这样的分类器是一个失败的分类器，所以导致目标检测的精度很低。

3、那为什么two-stage系就可以避免这个问题呢？

因为two-stage系有RPN罩着。 
       因为two stage的第一个stage生成一个候选目标位置组成的稀疏样本集，即第一个stage的RPN会对anchor进行简单的二分类（只是简单地区分是前景还是背景，并不区别究竟属于哪个细类）。经过该轮初筛，属于background的bbox被大幅砍削。虽然其数量依然远大于foreground的bbox（例如3:1），但是至少数量差距已经不像最初生成的anchor那样夸张了。这一阶段就等于是 从 “类别 极 不平衡” 变成了 “类别 较 不平衡” 。But（但是），其实two-stage系的detector也不能完全解决类别不平衡问题，只能说是在很大程度上减轻了“类别不平衡”对检测精度所造成的影响。 
       接着到了第二个stage时，分类器登场，使用一个卷积神经网络将各候选位置归置foreground类别或者background类别，即在初筛过后的bbox上进行难度小得多的第二波分类(这次是细分类)。这样一来，分类器得到了较好的训练，最终的检测精度自然就高啦。但是经过这么两个stage一倒腾，操作复杂，检测速度就被严重拖慢了。

4、那为什么one-stage系无法避免该问题呢？

        因为one stage系的detector直接在首波生成的“类别极不平衡”的bbox中就进行难度极大的细分类，意图直接输出bbox和标签（分类结果）。而原有交叉熵损失(CE)作为分类任务的损失函数，无法抗衡“类别极不平衡”，容易导致分类器训练失败。因此，one-stage detector虽然保住了检测速度，却丧失了检测精度。
 

5、平衡正负样本：

       我们为交叉熵加一个权重，α∈[0,1]对于类1，1-α对于类-1。其中权重因子的大小一般为相反类的比重。即负样本不是多吗，它越多，我们给它的权重越小。这样就可以降低负样本的影响。

论文中 α 取0.25。为什么alpha值正样本的权重比负样本还要小？

原因：我们知道alpha 是用来平衡正负样本的，而论文里面的给的alpha=0.25 ，而真实正负样本的比例在 1：10000以上，作者反而缩小正样本的损失

这里主要是因为分类卷积的初始化，论文里把所有样本概率初始化为0.01，而负样本的损失-（0.01）**2*log(1-0.01)=1e-6

所以负样本的在初始化的时候损失是非常小的，pytorch初始化如下

self.class_model[-1].bias.data.fill_(-math.log((1-0.01)/0.01))

所以这里的参数仅仅适合这个场景，如果有其他需求还需要自己定制化

参考：https://blog.csdn.net/dsl_gree/article/details/90513797
但是，这只是解决了正负样本的不平衡，并没有解决easy examples和hard examples之间的不平衡。

6、Focal loss 公式分析：

Focal loss 公式如上所示：

对于简单样本easy examples，Pt会比较大，（1-Pt）就会比较小。极端情况：当Pt→1，因子（1-Pt）接近0，那么分的比较好的（well-classified）样本的权值就被调低了。

针对hard example，Pt 比较小，（1-Pt）就会比较大。极端情况：当Pt→0，因子（1-Pt）接近1，那么这些hard example 的权重受影响不大。就是难分样本 Pt 不会趋近于 0，但是既然是 hard example 样本 ，那么Pt也不会很大，经过（1- Pt）的 γ 次方，虽然权重也减小了，但是显然easy examples 权重减小更多

    专注参数γ平滑地调节了易分样本调低权值的比例。γ 增大能增强调制因子的影响，实验发现γ取2最好。

   直觉上来说，调制因子减少了易分样本的损失贡献，拓宽了样例接收到低损失的范围。举例来说，当γ=2时，一个样本被分类的Pt=0.9的损失比CE小100多倍。这样就增加了那些误分类的重要性（它们损失被缩了4倍多，当Pt<0.5且γ=2）

无论是前景类还是背景类，pt越大，权重 (1-pt) 就越小。也就是说easy example可以通过权重进行抑制。换言之，当某样本类别比较明确些，它对整体loss的贡献就比较少；而若某样本类别不易区分，则对整体loss的贡献就相对偏大。这样得到的loss最终将集中精力去诱导模型去努力分辨那些难分的目标类别，于是就有效提升了整体的目标检测准度。