目标检测——RetinaNet（十）

简介：

这篇paper《RetinaNet：Focal Loss for Dense Object Detection》获得了ICCV 2017的Best，创新点就是Focal Loss了，其主要贡献就是解决了one-stage算法中正负样本的比例严重失衡的问题，不需要改变网络结构，只需要改变损失函数就可以获得很好的效果。
原论文地址：https://arxiv.org/pdf/1708.02002.pdf

网络结构：

由上图可以看出结构比较简单，基础网络使用的是Resnet，然后在不同尺度的feature map建立金字塔，也就是FPN网络，这样就获得了丰富且多尺度的卷积特征金字塔，并且在FPN的每个level连接一个subnet用于回归和分类预测，这些subnet的参数是共享的，它相当于一个小型的FCN结构。

Focal Loss：

RetinaNet的出发点，其实是想为YOLO、SSD等前辈找回牌面，毕竟这些one stage算法在速度上是达到实时了，但是精度上依然被Faster rcnn等two stage检测器吊打。既然痛点在精度上，论文的重点也在于此，作者认为精度差在于单阶段检测器中样本的失衡，负样本比例远远大于正样本，占据样本中多数，影响网络的优化；而两阶段检测器这种问题小很多，因为第一阶段会剔除掉大量负样本，所以在第二阶段训练时候，正负样本比例失衡并不严重，尽管第一阶段也会面临这样的问题。

• 首先看一个二分类交叉熵可以表示为：
  
• 平衡交叉熵的提出是为了解决正负样本不平衡的问题的：
  
• Focal Loss中 r 的引入是为了解决难易样本不平衡的问题的：
  
  
  可以看出，蓝色的线为CE loss, 随着 r 的增加，那些容易分类的样本所贡献的loss就越小，所以可以使模型的优化方向更加关注那些难分类的样本，这样就可以提高模型的精度，同时兼顾了速度。

总结：

优点：

1、分析了One-Stage算法和Two Stage算法的差距，实现了一个精度可以媲美Two Stage算法的One Stage算法模型——RetinaNet；
2、Focal Loss对解决正负样本与难易样本不均衡的问题非常有效，几乎可以应用到很多imbalance数据的领域，非常有实用价值。