論文

地址：https://arxiv.org/pdf/1708.02002.pdf

思想

論文最主要的貢獻是提出了一個loss函式：Focal loss。主要目的是解決易分類樣本和難分類樣本之間的均衡問題，不僅僅是解決樣本不均衡（數量上）的問題。也就是說使易分類樣本對loss的貢獻減小，使難分類樣本對loss的貢獻增大。問題來了，在目標檢測中的主要問題是樣本不均衡的問題，背景樣本太多，而正樣本太少，在文中卻用Focal loss來解決這個問題，為什麼呢？主要原因是，大多數的背景樣本都是屬於簡單易分的樣本，只有少數的正樣本和背景樣本分類難度較大，而那些簡單易分的背景樣本不應該對梯度下降的方向有太多貢獻。在這裡正好可以使用Focal loss來解決這個問題。

• Focal loss 是在交叉熵的基礎上進行的改進，在損失函式之前增加了一項$（1-p_t)^r$.這一項用來調整不同概率樣本對loss的貢獻的大小。當$p_t$較大的時候這一項就較小，也就是說，容易分類的樣本的權重較小；當$p_t$較小的時候這一項就較大，也就是說，難分類的樣本的權重較大。

Focal loss效果

對loss的影響

在目標檢測中的應用

採用的網路結構

效果