论文地址：https://arxiv.org/pdf/1708.02002.pdf
最近YOLO_V3版本刚刚出世，很强，下面一篇博客我们再介绍，这篇博客我们主要来读读大神何凯明的大作Focal Loss（焦点损失），其主要就是一个解决分类问题中类别不平衡、分类难度差异的一个 loss。Focal loss 这个损失函数在标准的交叉熵标准上添加了一个因子
目前目标检测的框架一般分为两种：基于候选区域的two-stage的检测框架（比如fast r-cnn系列），基于回归的one-stage的检测框架（yolo,ssd这种），two-stage的效果好，one-stage的快但是效果差一些。对于two-stage的检测器而言，通常分为两个步骤，第一个步骤即产生合适的候选区域，而这些候选区域经过筛选，一般控制一个比例（比如正负样本1：3），另外还通过hard negatiive mining(OHEM)，控制难分样本占据的比例，以解决样本类别不均衡的问题。
对于one-stage的检测器来说，尽管可以采用同样的策略（OHEM）控制正负样本，但是还是有缺陷。
参考地址：https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/78920998
https://blog.csdn.net/qq_34564947/article/details/77200104
https://blog.csdn.net/u014380165/article/details/77019084
作者以二分类为例进行说明：
首先是我们常使用的交叉熵损失函数：
要对类别不均衡问题对loss的贡献进行一个控制，即加上一个控制权重即可，最初作者的想法即如下这样，对于属于少数类别的样本，增大α即可
因此后面有了如下的形式：
显然，样本越易分，pt越大，则贡献的loss就越小，相对来说，难分样本所占的比重就会变大。
这里的两个参数α和γ协调来控制，本文作者采用α=0.25，γ=2效果最好
另外：作者提到了类别不均衡和模型的初始化问题，即数量很多的某一类样本会起主导作用，在开始训练的时候可能导致不稳定。
实验框架
实验时设计了一个叫RetinaNet的one-satge的网络结构，以证明通过Focal Loss，one-stage的网络结构也能够达到two-stage的准确率，实际上采用的是基于resnet的FPN（特征金字塔网络，可自行查阅论文论文链接），网络框架如下：
