用于密集目标检测的 Focal Loss
计算机视觉与模式识别
2018-02-08 v2
摘要
迄今为止，精度最高的目标检测器都是基于由 R-CNN 推广的两阶段方法，即将分类器应用于一组稀疏的候选目标位置。相比之下，应用于对可能目标位置进行规则、密集采样的单阶段检测器具有更快、更简单的潜力，但迄今为止其精度落后于两阶段检测器。在本文中，我们研究了造成这种情况的原因。我们发现，在密集检测器训练期间遇到的极端前景-背景类别不平衡是核心原因。我们建议通过重塑标准交叉熵损失来解决这种类别不平衡，使其降低分配给已良好分类样本的损失。我们新颖的 Focal Loss 将训练集中在一组稀疏的难样本上，并防止大量易分负样本在训练期间淹没检测器。为了评估我们损失函数的有效性，我们设计并训练了一个简单的密集检测器，我们称之为 RetinaNet。我们的结果表明，当使用 Focal Loss 训练时，RetinaNet 能够匹配先前单阶段检测器的速度，同时超越所有现有 SOTA 两阶段检测器的精度。代码位于：https://github.com/facebookresearch/Detectron。
引用
@article{arxiv.1708.02002,
title = {Focal Loss for Dense Object Detection},
author = {Tsung-Yi Lin and Priya Goyal and Ross Girshick and Kaiming He and Piotr Dollár},
journal= {arXiv preprint arXiv:1708.02002},
year = {2018}
}