RetinaNet深入理解（损失函数详解）
2星 需积分: 50 181 浏览量
2018-12-28
11:27:49
上传
评论 6
收藏 375KB DOCX 举报 
RetinaNet（损失函数部分）
2018 年 07 月 22 日 17:41:38很美味的小猪猪 阅读数：807
主要是由 结构，是 的检测算法。
!!"
# 的算法主要可以分为两大类：two-stage detector 和
one-stage detector。前者是指类似 $%，$% 这样需要
的检测算法，这类算法可以达到很高的准确率，但是速度较
慢。虽然可以通过减少 的数量或降低输入图像的分辨率等方式达到
提速，但是速度并没有质的提升。后者是指类似 &'('，))* 这样不需要
，直接回归的检测算法，这类算法速度很快，但是准确率不
如前者。作者提出 focal loss 的出发点也是希望 one-stage detector 可
以达到 two-stage detector 的准确率，同时不影响原有的速度。
既然有了出发点，那么就要找 one-stage detector 的准确率不如 two-
stage detector 的原因，作者认为原因是：样本的类别不均衡导致的。我们
知道在 # 领域，一张图像可能生成成千上万的
，但是其中只有很少一部分是包含 # 的，这就带来了类别不均
衡。那么类别不均衡会带来什么后果呢？引用原文讲的两个后果：(1)
training is inecient as most locations are easy negatives
that contribute no useful learning signal; (2) en masse, the
easy negatives can overwhelm training and lead to
degenerate models.+什么意思呢？负样本数量太大，占总的 loss 的大部
分，而且多是容易分类的，因此使得模型的优化方向并不是我们所希望的那样。
其实先前也有一些算法来处理类别不均衡的问题，比如 ',-.（
/00 ），',-. 的主要思想可以用原文的一句话概括：1',-.
资源评论
16324015412019-11-26感觉远远不值5个积分，1个最多
海神8002021-11-30好用，感谢分享！
