深度学习中训练集正负样本数量不均衡问题

更新几篇写的很好的文章：
这是一个系列：
目标检测正负样本区分策略和平衡策略总结(一)

最近课题中遇到了这个问题，目标检测任务，anchor-free算法，一张特征图128*128，可能只有8个左右的正样本点，其他全是负样本点，训练起来效果很差。
目前只是记录一下搜集到的解决方法，真正解决之后再来更新。

1. Focal loss
   这应该是容易想到的方法。
   https://zhuanlan.zhihu.com/p/113716961
   https://www.cnblogs.com/areaChun/p/11900799.html
   https://blog.csdn.net/sinat_28454173/article/details/106008200
   https://zhuanlan.zhihu.com/p/82148525 （这篇写得不错）
   Focal Loss 论文理解及公式推导：https://blog.csdn.net/zziahgf/article/details/83589973?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

2. 使用加权的损失函数
   比如MSE或者交叉熵，给正样本更多的权重，但是我自己测试的加权MSE效果一般。
   https://www.cnblogs.com/yjphhw/p/10019117.html

3. 重采样
   没试过。

4. 其他
   https://blog.csdn.net/fantacy10000/article/details/90552584