Focal Loss for Dense Object Detection(RetinaNet) 学习笔记

Posted by 111qqz on Saturday, May 2, 2020

TOC

先写个简略版的笔记..看之后的情况要不要读得更精细一点..

背景

two stage的检测比one stage的检测效果好,原因是啥?

作者认为是正负样本不平衡导致的. two stage的方法在proposal 的时候干掉了大部分负样本,所以效果好.

因为作者提出了一种新的loss,称为Focal Loss 是对交叉熵loss的改进,作用是提高没有正确分类的样本的权重,降低正确分类的样本的权重.

然后设计了个retinaNet 来验证效果. 主要是用了Focal Loss 作为损失函数,以及backbone比起之前的one stage的检测用上了FPN.

Focal Loss

一图胜千言

focal_loss.png

Focal loss是在交叉熵loss的基础上增加了一个指数衰减. 对正确分类的样本影响很小,对错误分类的样本影响很大.

从图上我们可以看出,CE对正确分类的样本仍然有不小的loss,这样的样本数很多的话,就会被训练的时候模型被带歪… 因此需要减少这些正确分类的样本对loss的影响.

RetinaNet

单阶段检测,主要在于使用Focal Loss训练,以及backbone用上了FPN

retinanet.png

「真诚赞赏,手留余香」

111qqz的小窝

真诚赞赏,手留余香

使用微信扫描二维码完成支付