【论文阅读笔记】RetinaNet：Focal Loss for Dense Object Detection
【论文阅读笔记】Focal Loss for Dense Object Detection
- （一）论文地址：
- （二）核心思想：
- （三）One-stage 方法的问题：
- （四）Focal Loss：
- （五）参数选取：
- （六）RetinaNet：
- （七）实验结果：
（一）论文地址：
https://arxiv.org/pdf/1708.02002.pdf
（二）核心思想：
在论文中，作者深入探讨了one-stage方法准确率较低的原因，并提出了一种新的损失函数，称为Focal Loss，以解决正负样本比例失衡的问题。同时，作者设计了一个高效的网络架构，命名为RetinaNet，既保持了one-stage方法快速的特性，又实现了更高的准确率。
（三）One-stage 方法的问题：
one-stage方法（如YOLO、SSD等）在不同尺寸的特征图上，通过采用不同尺寸和比例的锚框进行密集采样。这种方法所生成的候选框数量显著多于两阶段方法，其主要问题是，绝大多数候选框都被归类为背景类。尽管分类器在仅将所有候选框归类为背景时，其交叉熵损失依然保持较低水平。
而 two-stage 方法主要通过 RPN 网络实现，每次仅选择一部分样本（通常为 256 个）融入 Loss 计算。该方法首先采用了二分类策略（背景类别和非背景类别），对物体进行初步筛选，随后通过分类器完成最终识别，这种分步处理的方式有效缓解了样本不均衡的问题。
（四）Focal Loss：
为了在 one-stage 方法中突出小样本，作者设计了一个 Focal Loss：
即在原本的交叉熵损失函数前加上了一个权重项：(1-p_t)^{\lambda}；
其中：
p\in[0,1] 是某一类别 y 的输出概率，y=0或1;
由此带来的直观影响就是：
-
被正确分类时：
1.1 背景类的 Loss 大幅下降；
1.2 物体类的 Loss 正常下降； -
被错误分类时：
2.1 背景类的 Loss 正常下降；
2.2 物体类的 Loss 小幅下降；
因此训练时，更多注意力被放到了精细区分物体类上；
而 Focal Loss 也可以用另一个更复杂的定义：
（五）参数选取：
作者在实验中发现，γ=2，α=0.25 时效果最好；
（六）RetinaNet：
基于ResNet构建Backbone以获取特征，通过FPN方法生成3个特征层从而形成特征金字塔，分别采用一个分类子网络和一个回归子网络来进行预测任务。
（七）实验结果：
在原有 one-stage 基础上大大提高了检测的准确率；
