Focal Loss用于密集目标检测

摘要

当前最先进的物体检测模型通常采用两级结构，其中R-CNN作为典型代表，其分类器被用于处理数量有限的预选框集合。相较之下，一级检测器因其更高效的密集区域预选机制而被更为广泛地应用，使网络结构具备更高的速度和简洁性。然而，其检测精度仍无法达到两级检测器的水平。本文探讨了造成这一现象的原因，并发现，在训练密集型检测器过程中出现的极端前景与背景类别不平衡问题，是导致一级检测器精度较低的主要因素。为解决此类不平衡问题，我们提出了一种改进方法：通过对标准交叉熵损失函数进行重构，以减少对分类效果良好的样本所分配的损失权重。在训练过程中，我们设计出一种新的Focal Loss函数，专门关注那些数量较少但难以正确分类的样本，从而避免大量容易识别的负样本在训练阶段占据主导地位。为验证该损失函数的有效性，我们构建并训练了一个简单的密集型检测器模型——RetinaNet。实验结果表明，在使用焦点损失进行训练后，RetinaNet不仅能够保持与现有的一级检测器相当的速度优势，同时其检测精度还超越了所有目前最先进的两级检测器。

一、介绍

当前性能最优的目标检测模型普遍采用一种以 proposal 为驱动的 two-stage 架构。与 R-CNN 框架类似，第一阶段生成一组稀疏的候选目标位置样本集，第二阶段则通过卷积神经网络将这些候选区域分类为 foreground 或 bac