目标检测之RetinaNet

文章目录

  • 论文
    • 思想
  • 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

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。
目标检测之RetinaNet_第1张图片

  • 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 (1-p_t)^r 1pt)r.这一项用来调整不同概率样本对loss的贡献的大小。 p t p_t pt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 p_t pt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

目标检测之RetinaNet_第2张图片

在目标检测中的应用

采用的网络结构

目标检测之RetinaNet_第3张图片

效果

目标检测之RetinaNet_第4张图片

你可能感兴趣的:(深度学习,目标检测)