从Focalloss引申到目标检测的样本不平衡问题

提出问题：

传统的分类方法，二元交叉商损失函数有何问题？不愧是大神，很有道理，简单样本太多，那么损失函数的迭代会比较慢，无法更好的优化。但是我们想关注一下难样本呢？

如何更好的学习难样本

将上面的进行改进到下面的，我们会发现容易样本的损失，比如当y=1 预测值也是1的时候，那么损失函数为0，也就是简单的正样本，如果很多那么有没有是一样的。同理简单的负样本，也就是接近0的时候那么就是0了，有没有是一样的，只有当y接近中间的时候，也就是困难样本，那么输入就是损失函数的数值。

但是在这里，比如比如下面的目标检测的问题中，负样本更加容易被检测到，也就是难的负样本的比例不高，通过上面一弄，导致我们的负样本少了。会出现再一次失衡，为了更好的平衡我们引入另一个变量，再一次调节样本的比例。