一、提出背景

  当前一阶的物体检测算法，如SSD和YOLO等虽然实现了实时的速度，但精度始终无法与两阶的Faster RCNN相比。是什么阻碍了一阶算法的高精度呢？何凯明等人将其归咎于正、负样本的不平衡，并基于此提出了新的损失函数Focal Loss及网络结构RetinaNet，在与同期一阶网络速度相同的前提下，其检测精度比同期最优的二阶网络还要高。
  为了解决一阶网络中样本的不均衡问题，何凯明等人首先改善了分类过程中的交叉熵函数，提出了可以动态调整权重的Focal Loss。

二、交叉熵损失

1. 标准交叉熵损失

  标准的交叉熵函数，其形式如式（2-1）所示：
$$CE(p,y)=\{\begin{array}{ccc}-log(p)& if(y=1)& \\ -log(1-p)& otherwise& \end{array}\text{\hspace{1em}(2-1)}$$

  公式中，$p$代表样本在该类别的预测概率，$y$代表样本标签。可以看出，当标签为1时，$p$越接近1，则损失越小；标签为0时，$p$越接近0，则损失越小，符合优化的方向。
  为了方便表示，按照式（2-2）将$p$标记为$p_t$：
$$p_t=\{\begin{array}{ccc}p& if(y=1)& \\ 1-p& otherwise& \end{array}\text{\hspace{1em}(2-2)}$$
  则交叉熵可以表示为式（2-3）的形式：
$$CE(p,y)=CE(p_i)=-log(p_i)\text{\hspace{1em}(2-3)}$$

  标准的交叉熵中所有样本的权重都是相同的，因此如果正、负样本不均衡，大量简单的负样本会占据主导地位，少量的难样本与正样本会起不到作用，导致精度变差。

2. 平衡交叉熵损失

  为了改善样本的不平衡问题，平衡交叉熵在标准的基础上增加了一个系数${\alpha }_t$来平衡正、负样本的权重，${\alpha }_t$由超参数$\alpha$按照式（2-4）计算得来，$\alpha$取值在[0,1]区间内。

$${\alpha }_t=\{\begin{array}{ccc}\alpha & if(y=1)& \\ 1-\alpha & otherwise& \end{array}\text{\hspace{1em}(2-4)}$$

  有了${\alpha }_t$，平衡交叉熵损失公式如式（2-5）所示：

$$CE(p_t)=-{\alpha }_{t}log(p_t)\text{\hspace{1em}(2-5)}$$

  尽管平衡交叉熵损失改善了正、负样本间的不平衡，但由于其缺乏对难易样本的区分，因此没有办法控制难易样本之间的不均衡。

三、Focal Loss

  Focal Loss为了同时调节正、负样本与难易样本，提出了如式（3-1）所示的损失函数：

$$FL(p_t)=-{\alpha }_t(1-p_t{)}^{\gamma }log(p_t)\text{\hspace{1em}(3-1)}$$

  对于该损失函数，又如下3个属性：

• 与平衡交叉熵类似，引入了${\alpha }_t$权重，为了改善正负样本的不均衡，可以提升一些精度。
• $(1-p_t{)}^{\gamma }$是为了调节难易样本的权重。当一个边框被误分类时，$p_t$较小，则$(1-p_t{)}^{\gamma }$接近于1，其损失几乎不受影响；当$p_t$接近于1时，表明其分类预测较好，是简单样本，$(1-p_t{)}^{\gamma }$接近于0，因此其损失被调低了。
• $\gamma$是一个调制因子，$\gamma$越大，简单样本损失的贡献度会越低，

四、RetinaNet

  为了验证Focal Loss的效果，何凯明等人还提出了一个一阶物体检测结构RetinaNet，其结构如图4-1所示：

图4-1 RetinaNet网络结构图

• 在Backbone部分，RetinaNet利用ResNet与FPN构建了一个多尺度特征的特征金字塔。
• RetinaNet使用了类似于Anchor的预选框，在每一个金字塔层，使用了9个大小不同的预选框。
• 分类子网络：分类子网络为每一个预选框预测其类别，因此其输出特征大小为KA×W×H，A默认为9，K代表类别数。中间使用全卷积网络与ReLU激活函数，最后利用Sigmoid函数输出预测值。
• 回归子网络：回归子网络与分类子网络平行，预测每一个预测框的偏移量，最终输出特征的大小为4A×W×W。与当前主流工作不同的是，两个子网络没有权重的共享。