目标检测网络之retinanet解读（一）

逃离我推掉我的手 2022-12-04 07:56 180阅读 0赞

原文链接：[https://www.jianshu.com/p/6388838d8ae7][https_www.jianshu.com_p_6388838d8ae7]

\[Paper:Focal Loss for Dense Object Detection\]  
\[[https://arxiv.org/abs/1708.02002\]][https_arxiv.org_abs_1708.02002]  
关于目标检测主要分为两大类别：one stage，two stage  
one stage 代表：yolo系列，ssd（特点：检测精度低，但检测速度快）  
two stage 代表：R-CNN系列,SPPNet（特点：检测精度高，但检测速度慢）

在论文中作者去探讨了造成one stage精度低的原因，发现在训练密集目标检测器的过程中出现了严重的foreground-background类别不平衡。

#### 首先，什么是“类别不平衡”呢？ ####

检测算法在早期会生成很多bbox，而在一幅正常的图像中需要检测的object不会很多，这就意味着多数的bbox是属于background，使得foreground-background类别不平衡。

#### 存在类别平衡问题为什么会导致检测精度低呢？ ####

因为bbox数量很多，而属于background的bbox太多了，假设分类器将所有的bbox全部归为background，那么精度也会很高，而这样的分类器是一个失败的分类器，所以导致目标检测的精度很低。

#### 那么，为什么two stage机制的目标检测器可以达到很高的精度呢？ ####

因为two stage的第一个阶段生成一个候选目标位置组成的稀疏样本集，即RPN简单的对anchor进行二分类（只是区分是foreground和background，并不会区别细类），这样，属于background类别的bbox会大量减少，虽然其数量依然远大于foreground的bbox（例如3:1），但已不像最初生成anchor差别那么大了，这一阶段最终结果是从“类别极不平衡”到“类别较不平衡”转变，也就是说two stage并不能完全解决类别不平衡问题，第二个阶段使用一个卷积神经网络将各候选位置归置foreground类别或者background类别，即在初步筛选后的bbox上进行难度小得多的分类（细分类），这样分类器便得到了较好的训练，从而精度提高了。但因为是经过了两个阶段的处理，操作复杂，使得检测速度变慢了。

#### 为什么one stage系列无法避免这个问题呢？ ####

因为one stage系列的检测器直接在“类别极不平衡”的bbox中进行难度极大的细分类，直接输出bbox和标签，而原有的交叉熵损失（CE）作为分类任务的损失函数，无法抗衡“类别极不平衡”（会在另一篇文章中详细讲解交叉熵损失），容易导致分类器训练失败。因此，one stage检测虽然速度快，但检测精度低。

既然one stage中的交叉熵损失函数无法抗衡“类别极不平衡”，所以retinanet作者何恺明及其团队提出Focal Loss替换交叉熵损失来提高检测精度。

#### Focal Loss的形式是怎样的，有什么含义？ ####

首先介绍一下二分类的交叉熵损失：

![Image 1][]

wenyilab

公式（1）中，y∈\{±1\} 指定了ground-true class，p∈\[0,1\] 是模型对于标签y = 1的类的估计概率。为了方便，我们定义Pt：

![Image 1][]

wenyilab

公式（2）可以转换为：

![Image 1][]

wenyilab

解决类别不平衡的常见方法是分别为class1和class-1加入加权因子α∈\[0; 1\]、1-α。所以α-balanced 的CE损耗可写为：

![Image 1][]

wenyilab

鉴于以上的改进过程的思想，可以将交叉熵损失增加一个调节因子（1 - pt）γ，其中γ≥0。这样便出现了Focal Loss，其定义为：

![Image 1][]

wenyilab

在实践过程中使用的Focal Loss形式为：

![Image 1][]

wenyilab

[https_www.jianshu.com_p_6388838d8ae7]: https://www.jianshu.com/p/6388838d8ae7
[https_arxiv.org_abs_1708.02002]: https://arxiv.org/abs/1708.02002%5D
[Image 1]: