标签：Loss RetinaNet 区分 样本 ResNet 损失 学习 笔记 Focal
RetinaNet （ICCV 2017）
1.概述
- 原论文作者针对单阶段法（one-stage)目标检测模型中前景(positive)和背景(negatives)类别的不平衡问题，提出了一种叫做Focal Loss的损失函数，用来降低大量easy negatives在标准交叉熵中所占权重（提高hard negatives所占权重)。为了检测提出的Focal Loss损失函数的有效性，作者顺便提出了RetinaNet
2.网络结构
-
结构：使用ResNet进行特征提取，使用FPN进行特征融合，搭建了三个分类和框回归的子网络
-
ResNet：本论文中用的是Resnet-50（区别在于采用的残差单元/模块不同或者堆叠残差单元/模块的数量和比例不同）；
-
FPN：使用原始的FPN（输入为ResNet-50不同尺度的三张特征图；输出为多尺度特征融合的P3_x, P4_x, P5_x，以及由残差网络ResNet-50最后的一张特征图继续通过卷积层（stride=2,特征图尺寸继续减小）的结果P6_x, P7_x ），输出共五张图
3.Focal Loss损失函数（更详细内容）
-
概述：分为两部分，一部分是分类损失，一部分是回归损失；特点是正负样本都会来计算分类损失，但仅对正样本进行回归损失的计算
-
起源：二分类交叉熵CE，平衡交叉熵Balanced CE（在CE基础上增加一个权重因子）
-
Focal Loss：BCE解决了正负样本的比例失衡问题（positive/negative examples），但没有区分简单区分样本还是困难区分样本（easy/hard examples）。当简单区分的负样本的泛滥时，整个训练过程都是围绕容易区分的样本进行（小损失积少成多超过大损失），而被忽略的难区分的样本才是训练的重点，因此作者新引入了一个调制因子
标签：Loss,RetinaNet,区分,样本,ResNet,损失,学习,笔记,Focal 来源： https://www.cnblogs.com/youngsam/p/15757809.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。