目标检测之RetinaNet(Focal Loss)

本文主要是介绍目标检测之RetinaNet(Focal Loss)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、目标检测之RetinaNet(Focal Loss)

Focal Loss for Dense Object Detection

• 论文链接：https://arxiv.org/abs/1708.02002
• 论文翻译：https://blog.csdn.net/PPLLO_o/article/details/88952923
• 论文详解：https://blog.csdn.net/JNingWei/article/details/80038594
• 论文代码：https://github.com/CasiaFan/tensorflow_retinanet

二、RetinaNet算法

1、 出发点

object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者如Faster R-CNN，R-FCN这样需要region proposal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。后者如YOLO，SSD这样不需要region proposal，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。因此，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。

2、one-stage的精度低的原因: “类别不平衡”

• 什么是“类别不平衡”
  详细来说，检测算法在早期会生成一大波的bbox。而一幅常规的图片中，顶多就那么几个object。这意味着，绝大多数的bbox属于background。

• “类别不平衡”又如何会导致检测精度低呢？
  因为bbox数量爆炸。 因为bbox中属于background的bbox太多了，所以如果分类器无脑地把所有bbox统一归类为background，accuracy也可以刷得很高。于是，分类器的训练就失败了。分类器训练失败，检测精度自然就低了。

• 为什么two-stage系就可以避免这个问题呢？
  因为two-stage系有RPN罩着。
  第一个stage的RPN会对anchor进行简单的二分类（只是简单地区分是前景还是背景，并不区别究竟属于哪个细类）。经过该轮初筛，属于background的bbox被大幅砍削。虽然其数量依然远大于前景类bbox，但是至少数量差距已经不像最初生成的anchor那样夸张了。就等于是 从 “类别 极 不平衡” 变成了 “类别 较 不平衡” 。
  不过，其实two-stage系的detector也不能完全避免这个问题，只能说是在很大程度上减轻了“类别不平衡”对检测精度所造成的影响。
  接着到了第二个stage时，分类器登场，在初筛过后的bbox上进行难度小得多的第二波分类(这次是细分类)。这样一来，分类器得到了较好的训练，最终的检测精度自然就高啦。但是经过这么两个stage一倒腾，操作复杂，检测速度就被严重拖慢了。

• 为什么one-stage系无法避免该问题呢？
  因为one stage系的detector直接在首波生成的“类别极不平衡”的bbox中就进行难度极大的细分类，意图直接输出bbox和标签（分类结果）。而原有交叉熵损失(CE)作为分类任务的损失函数，无法抗衡“类别极不平衡”，容易导致分类器训练失败。因此，one-stage detector虽然保住了检测速度，却丧失了检测精度。

3、Focal Loss详解

首先是我们常使用的交叉熵损失函数：


要对类别不均衡问题对loss的贡献进行一个控制，即加上一个控制权重即可，最初作者的想法即如下这样，对于属于少数类别的样本，增大α即可 ：

但这样有一个问题，它仅仅解决了正负样本之间的平衡问题，并没有区分易分/难分样本，因此后面有了如下的形式：

显然，样本越易分，pt越大，则贡献的loss就越小，相对来说，难分样本所占的比重就会变大；因此，通过这个公式区分了易分/难分样本，在实际中，作者采用如下公式，即综合了上述两个公式的形式：

这里的两个参数α和γ协调来控制，本文作者采用α=0.25，γ=2效果最好

4、实验框架

5、结果

这篇关于目标检测之RetinaNet(Focal Loss)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---