【论文阅读笔记】RetinaNet：Focal Loss for Dense Object Detection

（一）论文地址：

https://arxiv.org/pdf/1708.02002.pdf

（二）核心思想：

这篇论文中作者探究了 one-stage 方法准确率较低的原因，并提出了一个新的 Loss 函数——Focal Loss 来解决 one-stage 方法中正负样本不均衡的问题；并且作者由此设计了一个简单高效的网络
RetinaNet，既保留了 one-stage 的速度快的特点，又保证了更高的准确率；

（三）One-stage 方法的问题：

one-stage 方法（如 YOLO，SSD 等）在不同大小的特征图上，使用不同大小和比率的 anchors 进行密集采样；这种方法获得的预选框远远多于 two-stage 的方法，导致的一个问题就是绝大多数预选框都是负样本（背景类），以至于即使分类器将所有预选框都分成背景，传统分类使用的交叉熵 Loss 依然会很低；

而 two-stage 方法由于使用了 RPN 网络࿰