目标检测中焦点损失的入门指南介绍对象检测是计算机视觉社区中研究最

介绍对象检测是计算机视觉社区中研究最广泛的主题之一。它已经进入了各个行业，涉及从图像安全，监视，自动车辆系统到机器检查的用例。
文章插图
当前，基于深度学习的对象检测可以大致分为两类：

两级检测器，例如基于区域的CNN（R-CNN）及其后续产品。
一级探测器，例如YOLO系列探测器和SSD

应用于锚框的常规，密集采样（可能的物体位置）的一级检测器可能会更快，更简单，但由于在训练过程中遇到极端的等级失衡，其精度已经落后于两级探测器。
FAIR在2018年发表了一篇论文，其中他们引入了焦点损失的概念，用他们称为RetinaNet的一级探测器来处理此类不平衡问题。
在我们深入探讨焦点丢失的本质之前，让我们首先了解这个类不平衡问题是什么以及它可能引起的问题。
目录

为什么需要焦点损失
什么是焦点损失
交叉熵损失交叉熵问题例子
平衡交叉熵损失平衡交叉熵问题例子
焦点损失说明例子
交叉熵损失 vs 焦点损失容易正确分类的记录分类错误的记录非常容易分类的记录
最后的想法

为什么需要焦点损失两种经典的一级检测方法，如增强型检测器， DPM和最新的方法（如SSD）都可以评估每个图像大约10^4 至 10^5个候选位置，但只有少数位置包含对象（即前景），而其余只是背景对象。这导致了类不平衡的问题。
这种不平衡导致两个问题

训练效率低下，因为大多数位置都容易被判断为负类（这意味着检测器可以轻松将其归类为背景），这对检测器的学习没有帮助。
容易产生的负类（概率较高的检测）占输入的很大一部分。虽然单独计算的梯度和损失较小，但它们可能使损耗和计算出的梯度不堪重负，并可能导致模型退化。

什么是焦点损失简而言之，焦点损失（Focal Loss ， FL）是交叉熵损失（Cross-Entropy Loss ， CE）的改进版本，它通过为难分类的或容易错误分类的示例（即带有噪声纹理的背景或部分对象的或我们感兴趣的对象）分配更多的权重来处理类不平衡问题，并对简单示例（即背景对象）降低权重。
因此，焦点损失减少了简单示例的损失贡献，并加强了对纠正错误分类的示例的重视。
因此，让我们首先了解二进制分类的交叉熵损失。
交叉熵损失【目标检测中焦点损失的入门指南】交叉熵损失背后的思想是惩罚错误的预测，而不是奖励正确的预测。
二进制分类的交叉熵损失如下：

文章插图
其中：
Yact = Y的实际值
Ypred = Y的预测值
为了标记方便，我们记 Yact = Y 且 Ypred = p。
Y∈{0,1} ，这是正确标注
p∈[0,1] ，是模型对Y = 1的类别的估计概率。
为了符号上的方便，我们可以将上述方程式改写为：
pt = {-ln(p) ,当Y=1 -ln(1-p) ,当 Y=}
CE（p ， y）= CE（pt）=-ln?（pt）
交叉熵问题如你所见，下图中的蓝线表示当p非常接近0（当Y = 0时）或1时，容易分类的pt > 0.5的示例可能会产生不小的幅度的损失。