对象:loss
网络:Resnet + FPN + 两个FCN子网络
核心问题:前景和背景的imbalance(主要针对one-stage不能解决的问题)
class imbalance
降低容易区分的样本的loss,更关注于难以区分的样本。
密集目标检测
two-stage:稀疏的侯选框
one-stage:密集的候选框
前景和背景不平衡(cause):通过改进标准的交叉商损失函数,使loss较少的关注容易区分的样本。
关注稀疏的难以区分的样本,初始化阻止易于区分的负样本。
在one-stage中,训练程序还是容易被容易区分的样本带偏。
动态修改,因素factor。
容易判别的大量负本不能对训练提供有用的信号。
容易分类的负样本构成了大部分的损失,并主导梯度。(目标检测loss易被大批量负样本所左右的问题)
对模型最后一个conv layer的bias参数作了有偏初始化
“类别不平衡”是one-stage detector在精度上逊于two-stage detector的病结所在。
one-stage detector的accuracy不高的问题根源在于“类别不平衡”。