中国绅学我术大草 论文简介 负样本数量太大，占总的1oss的大部分，而且多是容易分类的，因此使得模型的优化方向并不是我们所 希望的那样。先前也有一些算法来处理类别不均衡的问题，比如OHEM(online hard example mining), OHEM算法虽然增加了错分类样本的权重，但是OHEM算法忽略了容易分类的样本。 针对类别不均衡问题，作者提出一种新的损失函数：focal loss,这个损失函数是在标准交叉熵损失基 础上修改得到的。这个函数可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本。 为了证明focal loss的有效性，作者设计了一个dense detector:RetinaNet,.并且在训练时采用focal loss训练。 实验证明RetinaNet不仅可以达到one-stage detector的速度，也能有two-stage detectorl的准确率。论文简介 负样本数量太大，占总的loss的大部分，而且多是容易分类的，因此使得模型的优化方向并不是我们所 希望的那样。先前也有一些算法来处理类别不均衡的问题，比如OHEM（online hard example mining）， OHEM算法虽然增加了错分类样本的权重，但是OHEM算法忽略了容易分类的样本。 针对类别不均衡问题，作者提出一种新的损失函数：focal loss，这个损失函数是在标准交叉熵损失基 础上修改得到的。这个函数可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本。 为了证明focal loss的有效性，作者设计了一个dense detector：RetinaNet，并且在训练时采用focal loss训练。 实验证明RetinaNet不仅可以达到one-stage detector的速度，也能有two-stage detector的准确率