1. 核心问题：类别不平衡
在目标检测、图像分类等任务中，类别不平衡（Class Imbalance）是一个常见挑战。例如：
- 目标检测：大多数锚框（Anchor）属于背景（负样本），少数包含目标（正样本）。
- 医学图像：疾病像素（正样本）远少于正常组织（负样本）。
传统交叉熵损失（Cross-Entropy Loss）对每个样本平等对待，导致模型被简单负样本主导，难以学习困难正样本。
2. Focal Loss 的设计思想
Focal Loss 通过动态调整样本权重，降低易分类样本的损失贡献，强制模型关注困难样本。其核心公式如下：
3. 核心组件解析
(1) 调制因子
- 易分类样本（如背景锚框）：
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
