目标检测中的样本不均衡问题Focal Loss

分为正负样本不均衡、难易样本不均衡及类别间样本不均衡问题。
目标检测沿用了分类的思想，故目标检测继承了分类问题的样本不均衡情况。

正负样本不均衡：
Faster Rcnn，一共生成20000个框，但一张图物体数量可能只有10个，即正样本只在90左右，其余均为负样本。这样，正样本的损失在损失函数之中，无法得到很好的体现。

难易不均衡问题：
结合样本的正负，可以分为难正（错分为负样本的正样本）、难负、易正及易负四大类。同样，易分样本数量远大于难分样本，使得难分样本的损失函数贡献降低。

分类问题样本不均衡：
对于分类样本少的地方，检测精度不会高。反而偏向于分类样本多的目标。

以上总体有以下解决方法：
人工滤除简单负样本，人工控制正负样本比例，在损失函数中使用权重惩罚的方式，以及通过数据增强的方式扩充数据集。

针对难易样本不均衡的问题是：
OHEM（Online HardExample Mining）方法高效率地实现了在线难样本的挖掘。

步骤：网络分为结构相同的A,B两部分，A网络不反向传播更新参数，只计算损失
（1）按照原始Fast RCNN算法，经过卷积提取网络与RoI Pooling得到了每一张图像的RoI。
（2）使ROI进行NMS处理，去除掉重叠严重的部分。通过a网络进行前向计算，挑选出损失大的，作为难例。
（3）将难例输入b网络，进行反向传播参数更新，再将更新后的参数与a网络进行同步。
数据集越大、难度越高，OHEM对于检测的提升越明显。

交叉熵函数的改善：Focal Loss
下面以2值交叉熵，要么真值概率为1，要么为0：
$$\begin{gathered} FL(p_t)=-{\alpha }_t(1-p_t{)}^{\lambda }\log (p_t), \\ \alpha 用于调节正负样本， \\ \lambda 用于解决难易均衡问题 \\ 其中p_t=\{\begin{array}{rl}p,& y=1\\ 1-p,& y=0\end{array},其中p为预测概率，当真实概率为1时 \end{gathered}$$
原论文中，
$$\begin{gathered} {\alpha }_t=\{\begin{array}{rl}& 0.25,y=1\\ & 0.85,y=0\end{array} \\ 其意义为，减小正样本损失权重， \\ \lambda 一般取2, \\ y=1时，p_t=p，对于难样本,p很小，1-p很大， \\ 其损失函数前系数越大，放大了难样本的损失 \end{gathered}$$