Focal Loss损失函数解析

Focal Loss 是一种专门针对类别不平衡（Class Imbalance）​问题设计的损失函数，由何恺明团队在2017年提出，主要用于目标检测（如RetinaNet）和分类任务中。其核心思想是通过调整损失权重，​降低易分类样本的贡献，使模型更关注难分类样本，从而缓解类别不平衡带来的训练偏差。

---

​1. 核心原理​

​​(1) 类别不平衡问题​

在目标检测或分类任务中，​负样本（背景或多数类）数量远多于正样本（目标或少数类）​。例如：

• 目标检测中，90%的锚框（Anchor）属于背景。
• 医学影像中，正常组织（负类）样本远多于病变区域（正类）。

传统交叉熵损失（CE）对所有样本平等加权，导致模型被大量简单负样本主导，难以学习少数类的关键特征。

​​(2) Focal Loss的数学形式​

Focal Loss在标准交叉熵基础上引入两个调节因子：