个人理解错误难免，推荐看原文(https://arxiv.org/abs/1708.02002)
作者首先提出了一个问题：在目标检测中，one stage效果较差于two stage的主要原因是：one stage在训练时样本比例不均衡(比如上面的yolov3，在训练时要生成3*13*13 + 3*26*26 + 3*52*52 = 10647个box，但这些box中真正有物体的也就几个，其他都是背景，这样导致背景太多物体太少严重失衡；而two stage的faster-cnn通过RPN可以过滤掉大量的box，保留2000个，虽然也不均衡，但相对于one stage好的多)。
目前常见的解决方法是：在训练的时候用不同的采样频率；给予不同的权重。而提出的focal loss不需要这些步骤。
1. focal loss如何实现的？
focal loss基于交叉熵进行改进。主要思路是降低分类效果好(网络预测的置信度confidence高)的样本的loss值，让模型聚焦在难学习的样本中。
下图显示了交叉熵：为了方便，把红色框中的式子用pt表示，这样交叉熵CE=-log(pt)
下图显示了交叉熵loss和focal loss的关系，横轴表示网络预测该类物体的置信度。当r=0时，cross entropy = focal loss，不同的r代表了不同的惩罚力度，作者使用r=2效果最好。在confidence高时，用cross entropy 时loss的值相对于focal loss大，如果使用cross entropy loss, 它使得模型倾向于这些样本的训练(由于预测的置信度已经很高了，无需再多关注这个样本)，使用focal减小了这种倾向，使模型不过于关注效果好的样本。在confidenct很低时，很有可能预测错误，此时focal loss和交叉熵loss十分接近，二者但作用接近。
2. retinanet结构
为了测试focal loss的效果设计了一个one stage的检测模型
该模型采用resnet50/resnet101作为基础网络提取特征。之后用FPN(特征空间金字塔)进行多尺寸地预测。共输出三种尺寸的输出，每种输出为两路进行分类和box框的回归，输出时采用9个anchor(yolov3 每个输出采用3个)。
3. 总损失 = 分类损失 + 回归损失
loss = focalloss(分类) + smooth L1 loss(回归loss和faster-rcnn一样)
下一篇：faster-rcnn改进版, yolov3, retinanet效果比较https://blog.csdn.net/u010397980/article/details/85058838