Focal Loss of Object Detection

论文获取路径：https://arxiv.org/abs/1708.02002

摘要

截至目前，物体检测领域中精度最高的模型是基于R-CNN所推广的two-stage方法，其中分类器被应用于一组稀疏的候选物体位置。相较之下，单级检测器在对可能物体位置进行规则密集采样时展现出更快且更简单的潜力，然而其精度至今仍落后于two-stage检测器。本文中，我们探讨了这一现象背后的原因。研究发现，在密集检测器的训练过程中所面临的极端前景与背景类别不平衡问题是主要原因。为了解决此类别不平衡问题，我们提出了一种方法，即通过重新设计标准交叉熵损失函数，从而降低对分类效果良好的样本所分配的损失权重。我们提出的聚焦损失函数能够将训练过程集中于一组稀疏但具有挑战性的样本上，并有效避免大量简单负样本在训练过程中对检测器造成干扰。为了验证该损失函数的有效性，我们设计并训练了一个简单的密集探测器模型，并将其命名为视网膜。实验结果表明，在采用焦点损失进行训练后，视网膜不仅能够达到现有单级探测器的速度水平，其精度还超越了所有当前最先进的两级探测器。

1 介绍

目前最前沿的物体检测技术主要依赖于两阶段的提议驱动机制。以R-CNN框架[11]为代表，其第一阶段负责生成一组稀疏的候选对象位置，第二阶段则利用卷积神经网络对每个候选位置进行分类，判断其属于前景类别中的某一类还是背景。随着一系列技术的