Focal Loss 函数用于密集对象检测

为了达到这个目的，咱们把训练阶段的类别不平衡性视为一阶目标检测系统精度的瓶颈，并提出了了解决这个瓶颈的全新的损失函数。在此基础上，咱们设计了一个名为RetinaNet的一阶目标检测模型。api

Focal Loss
网络

2.1 Cross entropy
架构

　　二分类问题中loss的定义以下：函数

　　上式中表明样本属于1的几率。y表明标签。为了表示方便，咱们定义以下：测试

　　CE loss 以下图中的蓝色曲线所示，这个loss的一个显著特征是，即便是很容易的分类状况下，也会产生较大的loss。当把这些大量的loss加起来的时候，将会产生较大的影响。ui

2.2 Balanced Cross Entropy

　　经常使用的解决类别不平衡的方法是引入一个额外的参数。用来设置为相反类别的几率或者做为交叉验证的一个超参数。为了表示方便，咱们重写了带参数的CE loss：spa

2.3 Focal Loss Definition

　　正如实验所示，在密集目标检测系统中，训练过程当中，遇到的类别失衡将会对交叉熵损失函数产生较大影响。容易分类的负样本将会占据主要的损失以及梯度。尽管平衡了正负样本的重要性，可是没法对 容易分类的样本和难以分类的样本产生影响。所以咱们提出了一种全新的loss function（focal loss），以此来下降 容易分类样本的重要性，从而把训练集中在难以分类的负样本上。 Focal loss 的形式以下：.net

　　Focal loss 在 cross entropy 的基础上增长了一个调节因子，。Focal loss 以下图所示，的取值在[0, 5] 之间。从图中咱们能够看出两点：设计

• 当一个样本被错分类，值很小的时候，调节因子，的值很小，所以不会对loss产生影响。当值很大，趋近于1的时候，调节因子的值趋近于0，所以对于正确分类的样本的loss值被缩小了。blog

• 的时候，FL 等于 CE。当增长时候，调节因子的影响相应的增长，实验中取得了最好的实验效果。

　　在实验中，咱们使用了变种的focal loss ，形式以下：

RetinaNet Detector

　　为了验证使用的Focal Loss function，做者设计了一种RetinaNet，以下图所示：

　　RetinaNet 网络架构包含一个backbone 网络和两个subnetwork。Backbone网络在底层使用了ResNet，用来生成卷机特征，在此之上有一个Feature Pyramid Network（FPN）。Backbone外接两个subnetwork，一个用来分类，一个用来生成目标位置信息。

实验验证

　　咱们在COCO数据集上进行了目标检测的实验，并将测试结果与近期最早进的方法进行比较。其中包括一阶模型和二阶模型。下表列出了测试结果：

　　这是Retina-101-800模型的测试结果，训练过程当中采用scale filter ， 训练时间是以前模型的1.5倍，可是AP值提高了1.3。对比当前最早进的一阶模型，咱们的模型AP值提高了5.9%（39.1 vs 33.2）。对比当前最早进的二阶模型，Faster R-CNN w TDM，咱们的模型也取得了2.3%的优点（39.1 vs 36.8）。

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------