论文 Focal Loss for Dense Object Detection

看本文之前，需要搞明白
1）机器学习中的正样本（positive examples），负样本（negative examples），难分样本（hard examples），难例挖掘（hard examples mining）这些基本概念。
参考另一篇博客

2）什么是class imbalance（类不平衡问题）？
当我们做object detection的时候，一张图片事先有很多的candidate locations （候选框），但是很多时候只有部分的候选框中包含了物体，那些不包含物体的候选框占了大多数，这就是不平衡性。loss function中，这些正样本（包含物体的候选框）和负样本（不包含物体）是同等对待的，这样类的不平衡性也导致了loss function的不准确行。

本文主要提出了一种新的网络架构RetinaNet 和 一种新的Loss Function。但是作者声明实验效果之所以好的原因是提出了新的loss function。

实验中，作者也比较了已有的各种样本选择方式：
1）按照class的比例加权重：最常用的处理类别不平衡问题的方式
2）OHEM：只保留loss最高的那些样本，完全忽略了简单样本（易分类的样本，与难分样本相对）
3）OHEM + 按class比例 sample：在OHEM的基础上，再保证正负样本比例1：3