1. Abstract
在目标检测领域中，前景类和背景类别不平衡问题是影响one-stage和two-stage检测器性能的主要原因，本文提出了新的损失函数，旨在降低大量易分类样本的loss权重，平衡易分类样本和难分类样本的loss，从而提高one-stage检测器的ap。
源码：[https://github.com/facebookresearch/Detectron)
2. Focal Loss
交叉熵损失：
交叉熵损失对于易于区分大类，即的类仍然引入了少量的loss，随着大量易分类样本的引入，少量的loss不断积累盖过了难分类的类。
Focal Loss：
讨论：
-
:
当，权重
，FL对于错误分类当样本loss无影响；
当，权重
，FL对于易分类当样本当loss降权接近于0，以平衡难分类样本当loss。
-
：
当时，FL等价于CE；
随着
3. RetinaNet
Retinanet是one-stage当目标检测器，其结构如下：
- 使用FPN作为backbone来提取多尺寸卷积特征金字塔，而不是前向传播当ResNet；
- 选取了3种不同比率和3种不同大小比形成9种不同的anchors，来计算focal loss；
- 使用FCN作为分类和回归的子网络。
4. Inference and Training
Inference：多个level的FPN生成了多个检测框和对应的分数，使用NMS非极大值抑制方法选取分数最高的框，并抑制分数低的框。
Focal loss：每幅图片采样约100k个anchors，在计算focal loss时，除以难分类anchors的数量以标准化，因为大量的易分类的样本只有很小的loss。
5. Experiment Results
