Focal Loss

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p_{t}>0.5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：

  1. p_{t}:
    当p_{t}\rightarrow0，权重(1-p_{t})^{\gamma}\rightarrow 1，FL对于错误分类当样本loss无影响；
    当p_{t}\rightarrow1，权重(1-p_{t})^{\gamma}\rightarrow 0，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。
  2. \gamma：
    当\gamma=0时，FL等价于CE；
    随着\gamma当增加，FL对于易分类当样本当降权作用增大。

3. RetinaNet


Retinanet是one-stage当目标检测器，其结构如下：

  1. 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；
  2. 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；
  3. 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

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容