目标检测网络之retinanet解读（二）

如何来验证Focal Loss的有效性呢？

论文提供了retinanet检测器来进行检验。retinanet网络是由一个骨干网络和两个有特定任务的子网络组成的单一网络，骨干网络负责在整个图像上计算卷积特征，第一个子网络在骨干网络的输出上执行图像分类任务，第二个子网络负责卷积边框回归，如下图所示：

wenyilab

那训练的效果如何呢，下图是将retinanet网络使用Focal Loss和使用CE Loss，OHEM做了对比以及Focal Loss参数的改变的影响：

wenyilab

下图是收敛模型的不同 γ 值的正、负样本的归一化损失的累积分布函数。 改变 γ 对于正样本的损失分布的影响很小。 然而，对于负样本来说，大幅增加 γ 会将损失集中在困难的样本上，而不是容易的负样本上。

wenyilab

下图是retinanet网络和其他单模网络在coco测试集上做了对比：

wenyilab

下图是作 xt = yx 的函数，Focal Loss 变体与交叉熵相比较。原来的 FL(Focal Loss)和替代变体 FL* 都减少了较好分类样本的相对损失(xt> 0)。

wenyilab

下图是FL 和 FL* VS CE（交叉熵） 的结果。

wenyilab

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