RetinaNet本质上不是一个新的网络结构，而是一种新的应对正负样本严重不平衡的方法。
RetinaNet作者提出一种新的损失函数：focal foss，这个损失函数是在标准交叉熵损失基础上修改得到的。这个函数可以通过减少易分类样本的权重，使得模型在训练时更专注于稀疏的难分类的样本；防止大量易分类负样本在训练中压垮检测器。为了证明focal loss的有效性，作者设计了一个dense detector：RetinaNet，并且在训练时采用focal loss训练。实验证明RetinaNet不仅可以达到one-stage detector的速度，也能超过现有two-stage detector的准确率。
论文译文：cv-papers/RetinaNet.md at master · yizt/cv-papers · GitHub
论文原文：Focal Loss for Dense Object Detection
代码实现：
Caffe2（官方实现） - https://github.com/facebookresearch/Detectron/tree/master/configs/12_2017_baselines
PyTorch - https://github.com/kuangliu/pytorch-retinanet
Keras - https://github.com/fizyr/keras-retinanet
MXNet - https://github.com/unsky/RetinaNet
相关阅读：FAIR最新视觉论文集锦：FPN，RetinaNet，Mask 和 Mask-X RCNN（含代码实现） | 雷锋网
