目录
基本内容
论文题目
《Focal Loss for Dense Object Detection》
论文地址
http://openaccess.thecvf.com/content_ICCV_2017/papers/Lin_Focal_Loss_for_ICCV_2017_paper.pdf
论文简介
2016年提出的目标检测框架,结合ResNet、FPN、FCN的检测框架,并提出了Focal Loss损失函数
其他名称
RetinaNet/Focal Loss
正文介绍
Focal Loss
Focal loss是为了解决单阶段物体检测器中,正负样本数量和分类难易程度极度不平衡引起的损失值被大量容易分类的负样本损失淹没的问题
RetinaNet Detector
RetinaNet使用ResNet进行基础特征提取,FPN采用多尺度特征提取,FCN进行分类和边框回归
FCN(fully convolution network)
全卷积层可以接受任何维度的图像,最后使用反卷积层对最后一个卷积层进行上采样,使之恢复到图像相同的尺寸,从而对每个像素都产生预测,同时可以保留原始图像的大小
FPN(feature pyramid network)
a.图像金字塔,时间和存储成本较高
b.传统方法
c.SSD采用的特征金字塔,忽略了其它层的特征表达
d.FPN
实验结果
原文中还有关于测试Focal Loss超参数、单个调整和联调去表示在什么情况下才是最好的搭配方案