FocalLoss损失函数

RetinaNet算法是基于anchor-based的目标检测模型,为了验证创新点focal loss的有效性提出RetinaNet网络。

FocalLoss损失函数:

FL(Pt)=-\alpha_{t}(1-P_{t})^{\gamma }log(P_{t})

\alpha _{t}=\left\{\begin{matrix}\alpha ,y=1 & \\ 1-\alpha ,否则 & \end{matrix}\right。​​​​​​​

P_{t}=\left\{\begin{matrix}P ,y=1 & \\ 1-P ,否则 & \end{matrix}\right。​​​​​​​

    α的作用:降低了大量简单负样本在训练中所占的权重,平衡正负样本本身的比例不均,论文中alpha取0.25,即正样本要比负样本占比小,这是因为负例易分。
    γ的作用:虽然上式可以控制正负样本的权重,但是没法控制容易分类和难分类样本的权重,因此加入调节系数,目的是通过减少易分类样本的权重,从而使得模型在训练时更专注于难分类的样本。


    关于α和γ的作用细节,后续有时间我会补充的详细一点,有些博客写的还是很详细的,不过能按自己的思路写一遍可以帮助自己更好的理解,对以后的复习也会有很大的帮助~

你可能感兴趣的:(目标检测,python)