目标检测-Focal loss

focal loss

论文地址：https://arxiv.org/pdf/1708.02002.pdf
传统的交叉熵损失函数：

定义p_t如下。

那么公式可以改写为

我们可以用α_t来改进交叉熵公式。

α_t是个(0,1)的数，定义和p_t差不多。取α为0.25，当为正样本时α是0.25，权重小，负样本时α时0.75，权重就大一些。

focal loss公式：

我猜FL是个p_t的单调递减函数。γ=1的时候可以证明。p越小FL的权重就越大。
例如当p=0.9，γ=2时，y=1，FL=1/100 * CE
当p=0.5，γ=2时，y=1，FL=0.25 * CE
当p=0.1，γ=2时，y=-1，FL=0.81 * CE

Focal Loss通过调整loss的计算公式使单级结构达到和Faster RCNN一样的准确度，公式是Focal Loss的计算方法。pt是不同类别的分类概率，r是个大于0的值，a_t是个[0，1]间的小数，r和a_t都是固定值，不参与训练。r和a_t的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。作者在论文中给出r=2、a_t=0.25时，ResNet-101+FPN作为backbone的结构有最优的性能。

RetinaNet
RetinaNet is a single, unified network composed of a backbone network and two task-specific subnetworks.
The backbone is ResNet-FPN , construct a pyramid level with levels P3 and P7.
The subnetworks is classification and bbox regression.
Anchor； A=9 and each anchor is k+4 vector.

这个结构要注意几点：
１、训练时FPN每一级的所有example都被用于计算Focal Loss，loss值加到一起用来训练；
２、测试时FPN每一级只选取score最大的1000个example来做nms；
３、整个结构不同层的head部分(图２的c和d部分)共享参数，但分类和回归分支间的参数不共享；
４、分类分支的最后一级卷积的bias初始化成前面提到的-log((1-π)/π);
这个网络在coco数据集上达到了39.1的mAP。

γ对loss的影响：

各类算法的比较：

pytorch的focal loss实现

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable

class FocalLoss(nn.Module):
    def __init__(self, gamma=0, alpha=None, size_average=True):
        super(FocalLoss, self).__init__()
        self.gamma = gamma
        self.alpha = alpha
        if isinstance(alpha,(float,int,long)): self.alpha = torch.Tensor([alpha,1-alpha])
        if isinstance(alpha,list): self.alpha = torch.Tensor(alpha)
        self.size_average = size_average

    def forward(self, input, target):
        if input.dim()>2:
            input = input.view(input.size(0),input.size(1),-1)  # N,C,H,W => N,C,H*W
            input = input.transpose(1,2)    # N,C,H*W => N,H*W,C
            input = input.contiguous().view(-1,input.size(2))   # N,H*W,C => N*H*W,C
        target = target.view(-1,1)

        logpt = F.log_softmax(input)
        logpt = logpt.gather(1,target)
        logpt = logpt.view(-1)
        pt = Variable(logpt.data.exp())

        if self.alpha is not None:
            if self.alpha.type()!=input.data.type():
                self.alpha = self.alpha.type_as(input.data)
            at = self.alpha.gather(0,target.data.view(-1))
            logpt = logpt * Variable(at)

        loss = -1 * (1-pt)**self.gamma * logpt
        if self.size_average: return loss.mean()
        else: return loss.sum()