【论文笔记】：Focal Loss for Dense Object Detection

&Title:

Focal Loss for Dense Object Detection

&Summary

RetinaNet 是目前目标检测最为优秀的方法之一，在COCO数据集上达到了单个模型的state of art 的效果, 由Kaiming He团队所作。

作者发现导致one-stage算法性能劣于two-stage算法的主要原因是region proposal时前景和背景的类别不平衡，为了解决这个问题，提出了关键大招Focal Loss，改写了传统的分类交叉熵损失函数，在训练过程中能够实现自动降低容易分类的类别的权重，从而可以把优化网络的关注点放在难分类的目标上。因此，RetinaNet既解决了one-stage region proposal 产生大量的非目标区域特征导致loss计算不平衡的问题，保留了faster RCNN检测精度高的优点，又属于One-Stage算法，减少了重复计算，算法速度相对于two-stage得到了极大的提升。

---

博主对于" 从而可以把优化网络的关注点放在难分类的目标上 "的理解：
我们知道，原损失函数（-log(Pt)），当样本被正确分类时，其loss损失值也是一个不小的值，那么当所有易分样本的损失值相加起来，就会主导训练过程，其损失值会压倒稀有类别。那么，对于像背景类这样的易分类样本，往往就会导致对于难分类的前景类的识别的影响。通过减少易分类样本的权重(loss)，从而使得模型在训练的时候更关注难分类的样本。

&Research Objective

object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者是指类似Faster RCNN，RFCN这样需要region proposal的检测算法，这类算法可以达到很高的准确率，但是速度较慢。虽然可以通过减少proposal的数量或降低输入图像的分辨率等方式达到提速，但是速度并没有质的提升。后者是指类似YOLO，SSD这样不需要region proposal ， 直接回归的检测算法， 这类算法速度很快， 但是准确率不如前者。

作者认定训练过程中的类别不均衡是阻碍单阶段检测器得到最好的准确率的主要障碍，并提出了一种新的损失函数，去除这个障碍。
作者提出focal loss的出发点：是希望one-stage detector可以达到two-stage detector的准确率，同时不影响原有的速度。

&Problem Statement

one−stage 检测器对目标可能的位置进行密集采样，相比于 two−stage two-stagetwo−stage 方法更简单、速度更快，但是精度稍显不足。
作者发现，检测器训练过程中&#