超级会员免费看
focal loss旨在解决目标检测中正负样本不平衡问题，通过调整权重使难分类样本权重增加，减少易分类样本权重。在RetinaNet中，focal loss结合FPN结构，直接回归类别和边界框。文章介绍了ResNet和FPN的结构，以及RetinaNet相对于Faster R-CNN的不同之处，包括不同尺度特征层的子网络以及锚点匹配和损失计算过程。
focal loss主要解决proposal中多个bbox的框样本样本不平衡.
如上图, 比如出100000个框, 实际物体100个, 每一个loss 为2.3, 剩余的每一个loss为0.1,但是数量还是太多, 那么(100*2.3)/(10000*0.1)大约为40倍, 所以要降低esay examples(一般增加难分类的权重,这里降低是因为, esay example数量太多导致总的权重很大, 这也是focal loss的核心!!!), 所以乘以一个系数(1- pt)^y. 难分类, 则pt小, 那么(1- pt)^y,大,这样可以增加hard example权重;易分类, 则pt大, 那么(1- pt)^y 小,这样可以减小esay example权重;所以就解决了核心问题., 如上图右边所示.
常见的balance, 直接对类别乘一个惩罚系数alpha, 所以作者,也在focal loss上乘了一个系数, 就是最后的focal loss
对于二分类，正样本权重是alpha,负样本权重是1-alpha, 通过调节alpha来调节正负样本的权重。
经过实验得出取值2, 0.25结果最好
下图可以看书focal loss,
订阅专栏 解锁全文
1534
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
