Pointnet++损失函数改进：Focalloss | 助力解决正负样本比例不均衡问题

简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入Focalloss损失函数，解决正负样本比例不均衡问题。
3.专栏持续更新，紧随最新的研究内容。

目录

1.理论介绍

2.修改步骤

2.1 步骤一

         2.2 步骤二

         2.3 步骤三

---

1.理论介绍

迄今为止精度最高的目标检测器是基于R-CNN推广的两阶段方法，其中分类器应用于稀疏的候选目标位置集。相比之下，应用于对可能的目标位置进行常规、密集采样的单级探测器有可能更快、更简单，但到目前为止还不如两级探测器的准确性。在本文中，我们调查了为什么会出现这种情况。我们发现，在密集检测器训练过程中遇到的极端前景-背景类不平衡是主要原因。我们建议通过重塑标准交叉熵损失来解决这种类不平衡，从而降低分配给分类良好的示例的损失的权重。我们的新Focal Loss将训练集中在一组稀疏的硬示例上，并防止在训练期间大量的简单否定淹没检测器。为了评估我们损失的有效性，我们设计并训练了一个简单的密集检测器，我们称