目标检测（2）RetinaNet解读

1.核心：

one-stage方法：速度快，但有大量候选区，只有少部分为真实标记的，导致计算loss的时候正负样本不平衡。
two-stage方法：可以得到高的精确度，却不能保障速度要求。

思考：
能不能找到一种方法，既保证精确度，又保障速度。

2.解决:

Focal Loss的提出就是在one-stage的基础上解决accurary的问题。
one-stage精确度底的本质：类别不平衡导致，导致计算loss时，以类别多的为主导地位。

提出Focal loss:不是解决异常值问题，而是通过控制样本分类难以程度（给予易分样本小的权重，不易分样本大的权重）

（1）交叉熵定义：

（2）加入权重，平衡正负样本

（3）Focal loss定义：
α代表：控制正负样本的权重
γ表示：控制样本的容易区分的程度

3.model

resnet+FPN+CNN（两个子网络，其中一个classifier（A个anchor，K个class），另一个bbox框预测）

4.trick

（1）model initialzation
question:初始化时均匀初始化的话会导致，负样本求得的loss占主导（例如二分类：权重为0.5，0.5）
solve:引入前景类，概率设为：0.01
（2）网络参数初始化
w：n（0,0.01）
bias：（-log(1-π)/π） π=0.01
（3）agumentation
仅翻转
（4）Focal Loss参数设置
α：[0.25,0.75]
γ：[2,5]
（5）anchor设定
使用3中scale，3种aspects，获取最大AP
9个anchor？
（6）输入尺度
尺度大的，accurary越大，花费的time越多
一般设为600

论文翻译：
https://blog.****.net/PPLLO_o/article/details/88952923
论文地址：
https://arxiv.org/pdf/1708.02002.pdf