论文全称:《Focal Loss for Dense Object Detection》
论文地址:https://arxiv.org/pdf/1708.02002.pdf
论文代码:https://github.com/facebookresearch/Detectron
目录
综述
目前one-stage的检测算法速度非常快,但是在精准度上表现的不如two-stage的算法,然后two-stage的算法的速度方面又不能达到实时性的要求。论文发现这两者之间的鸿沟主要是由于前景和背景之间的严重的类别不平衡是该问题的核心,为了解决这个办法,重新构造标准交叉熵损失focal loss,使其降低分配给分类良好例子的损失权重。在训练的时候更关注那些有争议的negative的数据而不是那些非常容易辨别的eacy的negative的数据,避免后者对detector的影响过大。
为了评估损失的有效性,作者设计和训练了一个简单的致密探测器,称之为RetinaNet。结果表明,当使用focal loss进行训练时,RetinaNet能够与之前one-stage的detector的速度相匹配,同时超过了现有所有最先进的two-stage detector的精度。