Generalized Focal Loss 论文阅读笔记

**

Generalized Focal Loss 论文阅读笔记2020

**1、问题的提出

问题一：训练测试不一致，具体表现在两个方面：
1、训练的时候，box分类和box回归是隔开的，但测试的时候却又是乘在一起作为NMS score排序的依据，没有end-to-end，就会存在一定的gap。
2、分类分支能够从Focal loss中选出合适的正负样本训练，但是质量估计一般只针对正样本训练。这样就会带来一个问题，如果一个负样本的质量score很高、分类分数低（这没问题），它的总得分就可能超过正样本。NMS排序基础是分类score*质量score!

问题二:bbox回归采用的表示不灵活（单一的狄拉克分布），无法建模复杂场景
在复杂场景中，边界框的表示具有很强的不确定性，而现有的框回归本质都是建模了非常单一的狄拉克分布，非常不flexible。我们希望用一种general的分布去建模边界框的表示。问题二如图所示（比如被水模糊掉的滑板，以及严重遮挡的大象）。