目标检测“Focal Loss for Dense Object Detection”

基于RCNN的两步检测器精度高，但速度慢，单步检测器如YOLO，SSD速度快，但精度有所降低。作者认为正负样本不平衡是导致单步检测器精度降低的主要愿意，论文对交叉熵损失函数进行改进，降低易分类样本的权值，即Focal loss，使用RetinaNet验证Focal loss。RetinaNet可以超过两步检测器的精度，且速度跟单步检测器差不多。

Focal Loss是动态缩放的交叉熵损失函数，随着正确类的置信度上升缩放因子下降，如下图所示：

损失函数为：

当样本分错时，pt很小，调节因子接近1，损失函数不受影响。当样本很容易分时，pt很大，因子趋于0，这样易分样本的权值下降了。参数γ决定了权值下降的速率，文中选取γ=2

RetinaNet网络结构，特征提取部分采用FPN，Anchors的分配类似RPN，改进后用于多类检测，FPN后有分类子网络和box回归子网络：

实验结果