目标检测之 RetinaNet

FocalLoss





author: dreamer



date: 2020-0916





对于one stage的正负样本不均衡的情况下提出的计算损失的方式，提出了RetinaNet同时满足快速和准确的预测。可以达到双阶段目标检测效果的单阶段预测网络。



作者发现对比双阶段的网络，单阶段网络由于没有RPN来提出出更有可能出现目标的ROI，网络会计算大量的ROI区域，导致训练的时候出现大量的easy example。因此本文提出一个新的loss function，可以自动的减少easy example对loss 的影响。需要注意的是，focal loss的具体形式并不重要，可以用别的形式实现相同的效果。



Relate work



class Imblance



1. 训练中出现大量的easy example,导致网络学习不到有用的信息

2. 减弱网络的性能



3.1 Balanced Cross Entropy



自定义权重的loss function, 平衡正负样本不均衡的权重



3.2 Focal Loss Function



这是加入权重是为了改变难易样本的权重



实际中使用的公式：



3.4 Class Imbalance and Two-stage Detectors



two stage中不使用loss权重参数的原因：



• 1. two stage cascade

• 2. biased minibatch sampling



RetinaNet



Feature Pyramid Network Backbone: based on Resnet



anchior: 每个level9个anchor



Classification Subnet:4 （3\3Conv + ReLu）+ 3\*3Conv



Box Regression Subnet:用上，区别是最终的输出不同