为了达到这个目的，我们把训练阶段的类别不平衡性视为一阶目标检测系统精度的瓶颈，并提出了了解决这个瓶颈的全新的损失函数。在此基础上，我们设计了一个名为RetinaNet的一阶目标检测模型。
Focal Loss
2.1 Cross entropy
二分类问题中loss的定义如下：
上式中代表样本属于1的概率。y代表标签。为了表示方便，我们定义
如下：
CE loss 如下图中的蓝色曲线所示，这个loss的一个显著特征是，即使是很容易的分类情况下，也会产生较大的loss。当把这些大量的loss加起来的时候，将会产生较大的影响。
2.2 Balanced Cross Entropy
常用的解决类别不平衡的方法是引入一个额外的参数。
用来设置为相反类别的概率或者作为交叉验证的一个超参数。为了表示方便，我们重写了带
参数的CE loss：
2.3 Focal Loss Definition
正如实验所示，在密集目标检测系统中，训练过程中，遇到的类别失衡将会对交叉熵损失函数产生较大影响。容易分类的负样本将会占据主要的损失以及梯度。尽管平衡了正负样本的重要性，但是无法对 容易分类的样本和难以分类的样本产生影响。因此我们提出了一种全新的loss function（focal loss），以此来降低 容易分类样本的重要性，从而把训练集中在难以分类的负样本上。 Focal loss 的形式如下：
Focal loss 在 cross entropy 的基础上增加了一个调节因子，。Focal loss 如下图所示，
的取值在[0, 5] 之间。从图中我们可以看出两点：
当一个样本被错分类，
值很小的时候，调节因子，
的值很小，因此不会对loss产生影响。当
的时候，FL 等于 CE。当
增加时候，调节因子的影响相应的增加，实验中
取得了最好的实验效果。
在实验中，我们使用了变种的focal loss ，形式如下：
RetinaNet Detector
为了验证使用的Focal Loss function，作者设计了一种RetinaNet，如下图所示：
RetinaNet 网络架构包含一个backbone 网络和两个subnetwork。Backbone网络在底层使用了ResNet，用来生成卷机特征，在此之上有一个Feature Pyramid Network（FPN）。Backbone外接两个subnetwork，一个用来分类，一个用来生成目标位置信息。
实验验证
我们在COCO数据集上进行了目标检测的实验，并将测试结果与近期最先进的方法进行比较。其中包括一阶模型和二阶模型。下表列出了测试结果：
这是Retina-101-800模型的测试结果，训练过程中采用scale filter ， 训练时间是之前模型的1.5倍，但是AP值提升了1.3。对比当前最先进的一阶模型，我们的模型AP值提升了5.9%（39.1 vs 33.2）。对比当前最先进的二阶模型，Faster R-CNN w TDM，我们的模型也取得了2.3%的优势（39.1 vs 36.8）。
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------