【目标检测/实例分割】OHEM+Focal Loss

一、OHEM

　　1. 目的：区分难分样本

　　2. 方法：多学习难例

　　　　对于一次SGD迭代：先计算出特征图，可读RoI网络对所 有RoI执行前向计算并计算每个RoI的损失，然后选择hard RoIs。把这 些hard RoIs输入到可读可写的RoI网络中执行前向前向计算和反向传播更新网络，并把可读可写的RoI网络的参数赋值给只可读的网络，一次 迭代完成。

　　　　

 

 　　3.参考资料

　　　　https://blog.csdn.net/m0_45962052/article/details/105068998

二、Focal Loss

　　1. 目的：解决难易样本不均衡问题

　　2.方法：降低易分类样本的权重

　　

　　3. 与OHEM区别：

　　　　Ohem按loss大小选负样本，但忽略了那些loss较小的easy的负样本，虽然这些easy负样本loss很小，但数量多，加起来的loss较大，对最终loss有一定贡献。Focol Loss想把这些loss较小的也融入到loss计算中。想融入一些easy example，希望他们能有助于训练，但又不希望他们主导loss。

　　　　OHEM一般用在RCNN层，在类别判断上效果明显，准召上提升也较明显，Focol_Loss一般用在RPN层，可以提升目标召回，但会带来噪声。

　　4.其他

　　　　Focal loss可以用于多分类

　　　　

 

　　　　https://blog.csdn.net/u014311125/article/details/109470137