Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义，效果也非常令人称赞。
GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019，是基于Focal loss的改进，也是个人推荐的一篇深度学习必读文章。
1、Focal Loss
Focal Loss的引入主要是为了解决难易样本数量不平衡（注意，区别于正负样本数量不平衡）的问题，实际可以使用的范围非常广泛，为了方便解释，还是拿目标检测的应用场景来说明：
单阶段的目标检测器通常会产生高达100k的候选目标，只有极少数是正样本，正负样本数量非常不平衡。我们在计算分类的时候常用的损失——交叉熵的公式如下：
尽管权重系数平衡了正负样本，但对难易样本的不平衡没有任何帮助。而实际上，目标检测中大量的候选目标都是易分样本。由于数量极不平衡，易分样本的数量相对来讲太多，最终主导了总的损失。而本文的作者认为，易分样本（即，置信度高的样本）对模型的提升效果非常小，模型应该主要关注与那些难分样本（这个假设是有问题的，是GHM的主要改进对象）
这时候，Focal Loss就上场了！
一个简单的思想：把高置信度§样本的损失再降低一些不就好了吗！
这样以来，训练过程关注对象的排序为正难>负难>正易>负易。
2、GHM
那么，Focal Loss存在什么问题呢？
首先，让模型过多关注那些特别难分的样本肯定是存在问题的，样本中有离群点（outliers），可能模型已经收敛了但是这些离群点还是会被判断错误，让模型去关注这样的样本，怎么可能是最好的呢？这个思想倒是类似于RANSAC对最小二乘的改进。
其次， 两个权重系数的取值全凭实验得出，且权重afa 和 权重gama要联合起来一起实验才行。
GHM(gradient harmonizing mechanism) 解决了上述两个问题。
说白了就是在概率梯度的两端，较为难分的样本和较为易分的样本会集中；这个时候以梯度的倒数作为惩罚系数，可以很好的平衡计算样本带来的负面效应。
因此作者引入梯度密度的概念，并在此基础上使用梯度系数的倒数作为惩罚权重，使得模型更为关注中间区域的易分对象，对极端容易分辨的和极端难以分辨的予以忽视。