RetinaNet（Focal Loss）

RetinaNet（Focal Loss）

2019/10/14

-----

// 【目标检测】RetinaNet  Focal Loss for Object Detection - 知乎

「從圖中可以看出，一般樣本可以分為四大類： easy negative：全是背景，比較容易判斷的負樣本 easy positive：全是物體，比好容易判斷的正樣本 hard negative：包含部分物體，但大部分為背景，比較難判斷的負樣本 hard positive：包含部分背景，但大部分為物體，比較難判斷的正樣本 可以看出hard examples就是在背景和物體過渡的區域，但是由於每張圖中的物體較少，也就是正樣本比較少，所有這種hard examples也比較少，同時由於負樣本有很多，所以easy negative就很多，因此easy examples也就遠多於hard examples。所以說正負樣本不均衡可以引起hard-easy樣本不均衡，進而使得loss被easy examples的loss所控制，從而使得模型沒有一個有效的loss來指導訓練，所以最終得到一個不好的模型，所以最後的準確率比較低。」

// 【目标检测】RetinaNet  Focal Loss for Object Detection - 知乎

-----

// Review  RetinaNet — Focal Loss (Object Detection) - Towards Data Science

-----

「主要有2種參見Hard example mining算法，優化SVM時候的算法和非SVM時的利用。 在優化SVM中使用Hard example mining時，訓練算法主要維持訓練SVM和在工作集上收斂的平衡迭代過程，同時在更新過程中去除一些工作集中樣本並添加其他特殊的標準。這裡的標準即去掉一些很容易區分的樣本類，並添加一些用現有的模型不能判斷的樣本類，進行新的訓練。工作集為整個訓練集中的一小部分數據。 非SVM中使用時，該Hard example mining算法開始於正樣本數據集和隨機的負樣本數據集，機器學習模型在這些數據集中進行訓練使其達到該數據集上收斂，並將其應用到其他未訓練的負樣本集中，將判斷錯誤的負樣本數據（false positives）加入訓練集，重新對模型進行訓練。這種過程通常只迭代一次，並不獲得大量的再訓練收斂過程。」

// Focal Loss(RetinaNet) 与 OHEM - ranjiewen - 博客园

-----

# Focal Loss

-----

References

# RetinaNet（Focal Loss）

Lin, Tsung-Yi, et al. "Focal loss for dense object detection." IEEE transactions on pattern analysis and machine intelligence (2018).

https://vision.cornell.edu/se3/wp-content/uploads/2017/09/focal_loss.pdf
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8417976  

Review  RetinaNet — Focal Loss (Object Detection) - Towards Data Science
https://towardsdatascience.com/review-retinanet-focal-loss-object-detection-38fba6afabe4

论文阅读笔记四十四：RetinaNet Focal Loss for Dense Object Detection(ICCV2017） - fourmi_gsj - 博客园
https://www.cnblogs.com/fourmi/p/10583088.html

再谈RetinaNet - 知乎
https://zhuanlan.zhihu.com/p/68786098

【目标检测】RetinaNet  Focal Loss for Object Detection - 知乎
https://zhuanlan.zhihu.com/p/65584372  

Focal Loss(RetinaNet) 与 OHEM - ranjiewen - 博客园
https://www.cnblogs.com/ranjiewen/p/10043151.html