版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/shinetzh/article/details/85097481
论文
地址：https://arxiv.org/pdf/1708.02002.pdf
思想
论文最主要的贡献是提出了一个loss函数：Focal loss。主要目的是解决易分类样本和难分类样本之间的均衡问题，不仅仅是解决样本不均衡（数量上）的问题。也就是说使易分类样本对loss的贡献减小，使难分类样本对loss的贡献增大。问题来了，在目标检测中的主要问题是样本不均衡的问题，背景样本太多，而正样本太少，在文中却用Focal loss来解决这个问题，为什么呢？主要原因是，大多数的背景样本都是属于简单易分的样本，只有少数的正样本和背景样本分类难度较大，而那些简单易分的背景样本不应该对梯度下降的方向有太多贡献。在这里正好可以使用Focal loss来解决这个问题。
- Focal loss 是在交叉熵的基础上进行的改进，在损失函数之前增加了一项 .这一项用来调整不同概率样本对loss的贡献的大小。当 较大的时候这一项就较小，也就是说，容易分类的样本的权重较小；当 较小的时候这一项就较大，也就是说，难分类的样本的权重较大。
Focal loss效果
对loss的影响
在目标检测中的应用
采用的网络结构
效果
