深度学习相关论文笔记-CSDN博客

1、深度学习-目标检测评估指标P-R曲线、AP、mAP

https://blog.csdn.net/qq_41994006/article/details/81051150

https://blog.csdn.net/yangzzguang/article/details/80540375

2、《Focal Loss for Dense Object Detection》

FAIR. ICCV2017 Oral Kaiming He & RBG

原文链接：https://arxiv.org/abs/1708.02002

论文翻译：https://blog.csdn.net/yaoqi_isee/article/details/77051205

论文相关讨论：https://www.e-learn.cn/content/qita/706557

https://blog.csdn.net/qq_34564947/article/details/77200104

代码：https://github.com/fizyr/keras-retinanet

1.Motivation

一直以来，one-stage detector都以快著称，yolo刚发布的时候表明了是主打速度的，但是这些one-stage detector的精度要比two-stage detector，比如faster rcnn差不少。本文的目的就是为了探讨为什么one-stage detector相比two-stage detector精度要差。
2.Contribution

本文的贡献在于指出了one-stage detector精度不高的原因在于extreme forground-background class imbalance，这种不平衡导致了训练的时候存在大量的easy examples（包括easy positive和easy negative，但主要是easy negative），这些easy example虽然每一个的loss会比较小，但是因为数量巨大，主导了最终的loss，导致最后训练出来的是一个degenerated model。

为此，作者提出了一个dynamically scaled cross entropy loss，即focal loss来替换原来detector classification部分的standard cross entropy loss。通过降低训练过程中easy example的权重，提高了模型的训练效果，使得one-stage detector在精度上能够达到乃至超过two-stage detector。