目标检测之RetinaNet

论文

地址：https://arxiv.org/pdf/1708.02002.pdf

思想

论文最主要的贡献是提出了一个loss函数：Focal loss。主要目的是解决易分类样本和难分类样本之间的均衡问题，不仅仅是解决样本不均衡（数量上）的问题。也就是说使易分类样本对loss的贡献减小，使难分类样本对loss的贡献增大。问题来了，在目标检测中的主要问题是样本不均衡的问题，背景样本太多，而正样本太少，在文中却用Focal loss来解决这个问题，为什么呢？主要原因是，大多数的背景样本都是属于简单易分的样本，只有少数的正样本和背景样本分类难度较大，而那些简单易分的背景样本不应该对梯度下降的方向有太多贡献。在这里正好可以使用Focal loss来解决这个问题。

• Focal loss 是在交叉熵的基础上进行的改进，在损失函数之前增加了一项$（1-p_t{)}^r$.这一项用来调整不同概率样本对loss的贡献的大小。当$p_t$较大的时候这一项就较小，也就是说，容易分类的样本的权重较小；当$p_t$较小的时候这一项就较大，也就是说，难分类的样本的权重较大。

Focal loss效果

对loss的影响

在目标检测中的应用

采用的网络结构

效果