Generalized Focal Loss

Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection

https://arxiv.org/abs/2006.04388

Background

one-stage的目标检测任务一般将任务划分为两个方向：classification和localization，在网络训练过程中，这两个方向一般是独立进行优化的，如下图所示。

图1 传统detection任务学习范式

其中，对于classification问题，考虑到目标检测任务中大量背景负样本到影响，一般选用Focal Loss来进行优化。而对于localization问题，一般都是将其作为一个Dirac delta分布问题，通过对GT的box的回归来优化。而最近FCOS提出引入一个定位质量评估的因子localizaiton quality（一般采用 IoU或centerness score），带来了很可观的性能提升。目前来说，这三者的组合便是目前目标检测任务的常用较优组合。

Issue

但是通过对该三者组合的训练范式的研究，作者发现其中存在两个问题：

• classification与localizaiton quality评估在训练和测试阶段不连续。目前的dense detector工作中，一般都是在训练中对这两者独立进行，但是在测试的时候将他们综合考虑来进行候选框的筛选，