RetinaNet的焦损

Question

有人可以简单地解释一下RetinaNet中的失焦吗 从下面这2篇论文 用于目标检测的特征金字塔网络 密集物体检测的焦点损失

Answer 1

焦点损失可以定义为（注意：原始论文描述了二进制分类的损失，但是在这里我将其扩展为多类情况）：

其中K表示类数；如果地面真相属于第i类，则yi等于1；否则，等于0。 pi是第i类的预测概率； γ∈(0,+∞)是聚焦参数； αi∈[0,1]是第i类的加权参数。损失与分类交叉熵相似，如果γ=0和αi=1，则损失等效。那么，这两个附加参数的目的是什么？

正如原始论文所指出的那样，类不平衡是一个非常有问题的问题，它实际上限制了检测器的性能。这是因为图像中的大多数位置都是容易产生的负片（意味着可以很容易地被检测器归类为背景），并且不会产生有用的学习信号；更糟糕的是，由于它们占了输入的很大一部分，因此它们会使损失和计算的梯度不堪重负，并导致模型退化。为了解决这个问题，焦点损失引入了焦点参数γ，以减轻权重分配给容易分类的示例的损失。随着γ的值增加，这种影响也增加，并使网络更多地关注硬示例。

平衡参数α对于解决类不平衡也很有用。可以通过逆类频率（或作为超参数）进行设置，以便可以降低分配给背景类示例的损耗。

请注意，由于这两个参数相互交互，因此应一起选择它们。一般来说，随着γ的增加，α应当略微减小11。

以下是一篇详细介绍RetinaNet的帖子：https://blog.zenggyu.com/en/post/2018-12-05/retinanet-explained-and-demystified/