今天介绍一篇目标检测的文章,来自FAIR研究院
相关文献:Focal Loss for Dense Object Detection
#Motivation:
在two-stage检测器大行其道的今天,作者探究了one-stage 检测器在精度上不如two-stage检测器的原因。他们认为,one-stage检测器规则的密采样候选框的机制,会在采框过程中产生大量负样本,这种在训练时的前景-背景类别失衡会导致大量的简单负样本在训练过程中压倒检测器。简而言之,这些明显错误的简单负样本会在训练过程中影响检测器的学习,而那些更challenge的负样本会得不到关注。
#Contribution
基于以上研究,作者提出了一种焦点损失(Focal Loss),给予easy的负样本一个小的loss权重,避免训练过程中正负样本loss失衡。
#Focal Loss
常规的交叉熵损失公式如下:
当为正样本(y=1),则置信分数p越大loss越小,当为负样本(y=-1),则置信分数p越大则loss越大。
若将p和(1-p)统一表示为如下:
则交叉熵可以简化为:
这种损失有一个显著的特征,就是即使是很容易分类的例子(pt》0.5)也会造成损失,理论上这种easy的样本本不应对检测器产生影响,但是当有大量