RetinaNet要点

对象：loss

网络：Resnet + FPN + 两个FCN子网络

核心问题：前景和背景的imbalance（主要针对one-stage不能解决的问题）

class imbalance

降低容易区分的样本的loss，更关注于难以区分的样本。

密集目标检测

two-stage：稀疏的侯选框

one-stage：密集的候选框

前景和背景不平衡（cause）：通过改进标准的交叉商损失函数，使loss较少的关注容易区分的样本。

关注稀疏的难以区分的样本，初始化阻止易于区分的负样本。

在one-stage中，训练程序还是容易被容易区分的样本带偏。

动态修改，因素factor。

容易判别的大量负本不能对训练提供有用的信号。

容易分类的负样本构成了大部分的损失，并主导梯度。（目标检测loss易被大批量负样本所左右的问题）

对模型最后一个conv layer的bias参数作了有偏初始化

“类别不平衡”是one-stage detector在精度上逊于two-stage detector的病结所在。

one-stage detector的accuracy不高的问题根源在于“类别不平衡”。