GHM：Gradient Harmonized Single-stage Detector

本文针对目标检测中分布不均衡问题，提出了一个梯度均衡策略改善模型性能，被AAAI2019收录为oral。

论文下载：https://arxiv.org/abs/1811.05181v1

github代码地址：https://github.com/libuyu/GHM_Detection

单阶段(one-stage)的目标检测模型存在类别不平衡问题，具体可参考我的另一篇博客文章，也是讨论此问题且同样给出了一种loss改进方法，focal loss，地址https://blog.csdn.net/qq_35153620/article/details/90047919

1.研究问题

单阶段的目标检测方法具有高效的结构框架，但其性能与俩阶段的目标检测方法存在差距。其中最重要的问题是简单样本和困难样本，正样本和负样本的不平衡问题导致。这些大量的简单背景样本再训练过程中淹没模型的优化器，从而导致性能的下降。

首先应该明白文章中所指出的简单负样本和困难正样本的定义，RPN的提出致使如今大部分模型都会使用anchors作为检测过程中的重要目标区域定位手段，在网格中每一个点都会产生anchors，产生的全部anchors数量巨大，而目标在图片中的尺寸较小， 就会产生一个问题，就是有用的正样本(即含有目标区域的anchors)很少，而无用的负样本(即只有背景信息的anchors)很多。文中认为那些只含有背景信息的样本时简单负样本。如下图所示，<