Focal Loss的学习和理解

Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义，效果也非常令人称赞。

GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019，是基于Focal loss的改进，也是个人推荐的一篇深度学习必读文章。

 

Focal Loss的引入主要是为了解决难易样本数量不平衡（注意，有区别于正负样本数量不平衡）的问题

 

正负样本数量非常不平衡。我们在计算分类的时候常用的损失——交叉熵的公式如下：

 

 为了解决正负样本不平衡的问题，我们通常会在交叉熵损失的前面加上一个参数  ，即：

 

 

 

但这并不能解决全部问题。根据正、负、难、易，样本一共可以分为以下四类

 

 

 尽管  平衡了正负样本，但对难易样本的不平衡没有任何帮助。而实际上，目标检测中大量的候选目标都是像下图一样的易分样本。

 

 

这些样本的损失很低，但是由于数量极不平衡，易分样本的数量相对来讲太多，最终主导了总的损失。而Focal Loss的作者认为，易分样本（即，置信度高的样本）对模型的提升效果非常小，模型应该主要关注那些难分样本（这个假设是有问题的，是GHM的主要改进对象）

 

一个简单的思想：把高置信度(p)样本的损失再降低一些

 

 举例，  取2时，如果  ,  ，损失衰减了1000倍

 

最终的Focal Loss形式如下：

 

 实验表明 取2,  取0.25的时候效果最佳。

 

训练过程关注对象的排序为正难>负难>正易>负易。

这就是Focal Loss，简单明了但特别有用。

def py_sigmoid_focal_loss(pred,
                          target,
                          weight=None,
                          gamma=2.0,
                          alpha=0.25,
                          reduction='mean',
                          avg_factor=None):
    pred_sigmoid = pred.sigmoid()
    target = target.type_as(pred)
    pt = (1 - pred_sigmoid) * target + pred_sigmoid * (1 - target)
    focal_weight = (alpha * target + (1 - alpha) *
                    (1 - target)) * pt.pow(gamma)
    loss = F.binary_cross_entropy_with_logits(
        pred, target, reduction='none') * focal_weight
    loss = weight_reduce_loss(loss, weight, reduction, avg_factor)
    return loss

 

第二部分 GHM

Focal Loss存在什么问题呢？

首先，让模型过多关注那些特别难分的样本肯定是存在问题的，样本中有离群点（outliers），可能模型已经收敛了但是这些离群点还是会被判断错误，让模型去关注这样的样本，怎么可能是最好的呢？

其次，  与  的取值全凭实验得出，且  和  要联合起来一起实验才行（也就是说，  和  的取值会相互影响）。

 

 

 

 

参考这篇文章：https://zhuanlan.zhihu.com/p/80594704