Focal Loss for Dense Object Detection
RetinaNet -- Best Student Paper Award at ICCV 2017
GitHub：https://github.com/facebookresearch/Detectron
state-of-the-art object detection存在两种方案：two-stage和one-stage
two-stage：R-CNN 、fast R-CNN 、faster R-CNN
two-stage方案第一阶段生成一组稀疏的候选对象位置(1-2k个)，第二阶段使用卷积神经网络将每个候选位置分类。在COCO
benchmark 上实现了top accuracy，但速度较慢。
one-stage：YOLO、SSD
one-stage在一个阶段生成候选位置并分类，这些候选位置从位置、尺度、长宽比采样来生成密集的proposal(~100k个)，精度较差但速度快。
作者提出了这样一个问题：could a simple one-stage detector achieve similar accuracy?
由于发现阻碍one-stage detecter实现state-of-art accuracy的主要原因是训练时类别不平衡between foreground and background classes (e.g., 1:1000)。因此作者提出一种新的Loss fuction：focal loss来消除这种障碍。Focal Loss是动态缩放的cross entropy loss。实际上就是乘了一个缩放因子。如图所示。
对于很好分类的example，即概率比较大的，相对的减少其loss；而对于很难分类的，错分类的example，即概率比较小的，loss基本不变。
为了证明focal loss的有效性，作者设计了一个one-stage网络RetinaNet，最好的模型是基于ResNet-101-FPN在COCO test-dev上达到了39.1 AP，5 fps，超过了所有的one-stage和two-stage模型。