**
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)。