Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
https://arxiv.org/abs/2006.04388
Background
one-stage的目标检测任务一般将任务划分为两个方向:classification和localization,在网络训练过程中,这两个方向一般是独立进行优化的,如下图所示。
图1 传统detection任务学习范式
其中,对于classification问题,考虑到目标检测任务中大量背景负样本到影响,一般选用Focal Loss来进行优化。而对于localization问题,一般都是将其作为一个Dirac delta分布问题,通过对GT的box的回归来优化。而最近FCOS提出引入一个定位质量评估的因子localizaiton quality(一般采用 IoU或centerness score),带来了很可观的性能提升。目前来说,这三者的组合便是目前目标检测任务的常用较优组合。
Issue
但是通过对该三者组合的训练范式的研究,作者发现其中存在两个问题:
-
classif