one-stage检测器应用在常规的、密集的目标采样，快且简单，但相对于two-stage的检测器准确率下降。
发现：训练密集检测器时，有剧烈的前景-背景类别不平衡。
提出：reshape标准的交叉熵损失，让它对易分类的样本降低权重。focal loss专注于训练困难样本，并防止大量简单的负样本。为了验证其有效性，提出了RetinaNet这样一个简单的one-stage检测器。
focal loss：
focal loss用来解决前景背景的类别不平衡问题。它源于二分类的交叉熵损失：
cross entropy
为了符号方便
重写为这种形式
对于易分类的样本（即pt>>0.5时），蓝色的CELoss也会产生不小的损失
普遍的方法：平衡的CrossEntropy
可视化为上图的
[0，5]
（1）当样本被错误分类，pt很小，调质因子接近1，损失不受影响；当pt接近于1，调质因子接近0，易分类的样本权重下调。
（2）聚焦参数 γ 平滑地调整了权重下降率。 当 γ = 0 时，FocalLoss 等效于 CrossEntropy，并且随着 γ 的增加，调节因子的影响同样增加（我们发现 γ = 2 在我们的实验中效果最好）。
retinanet：
retinanet架构图
组成：
特征金字塔网络backbone——在ResNet框架加上FPN去生成丰富的、多尺度的卷积特征金字塔
分类子网络：加到每个FPN层的小的FCN
box回归子网络：
