目标检测类间不平衡问题

思路一：
解决方法：
1）数据扩充。这是最简单的解决办法，通过数据扩充是检测的若干类物体达到均衡。
2）种类惩罚。有时候，数据扩充并不能完全解决所有的问题。例如在一张图片中，树和草往往同时出现，这时无论怎么进行数据扩充，草这一类的数量还是远多于树的。这时可以采取种类惩罚的方法，即在loss计算的时候，人为提高数量较少类的loss的权重，从而提高这一类对损失的贡献，从而实现数据均衡的目的
具体方法：

在segnet中，作者采用了Median-frequency-balancing的方法，

同样的，检测中计算该类目标的概率和目标概率的中位数

参考：
https://blog.csdn.net/helloworld1213800/article/details/84203628
https://blog.csdn.net/the_key0/article/details/89889243

思路二：Libra-RCNN
https://www.zhihu.com/question/336055782
搜索Focal loss, balanced L1 loss, Libra-RCNN

（a）Sample level imbalance：
OHEM，能够更多的关注hard samples，但是它们通常对噪音很敏感，并会产生相当大的内存和计算成本；RetinaNet中提出了著名的损失函数Focal loss，应用于one-stage的效果较好，但是，扩展到大部分样本为简单负样本的two-stage模型中，效果一般。

（b）Feature level imbalance

我们知道，底层特征拥有高分辨率信息，随着卷积层数的加深，高层特征拥有更丰富的语义信息。把高分辨率信息和丰富的语义信息结合能显著增强特征表达，FPN，PANet都是这方面的成功案例。