前言
Focal loss 是一个在目标检测领域常用的损失函数，它是何凯明大佬在RetinaNet网络中提出的，解决了目标检测中 正负样本极不平衡和 难分类样本学习的问题。
论文名称：Focal Loss for Dense Object Detection
目录
什么是正负样本极不平衡？
目标检测算法为了定位目标会生成大量的anchor box（锚框），而一幅图中真实的目标(正样本)个数很少，大量的anchor box处于背景区域(负样本)，这就导致了正负样本极不平衡。
简单来说，正样本是 预测的anchor box 框住了真实的目标；负样本是 预测的anchor box 没有框住真实的目标，框了背景。由于正样本的数量太少、负样本的数据量太多，导致正负样本极不平衡。
two-stage 样本不平衡问题
先看看RPN中的 anchor box ，feature maps 的每一个点都配9个锚框，作为初始的检测框。虽然这样得到的检测框很不准确，但后面可通过 bounding box regression 来修正检测框的位置。
下面介绍那9个anchor boxes 锚框，先看看它的形状：
设 feature maps 的尺寸为 WH，那么总共有 WH*9个锚框。（W：feature maps的宽；H：feature maps 的高。）
two-stage方法在第一阶段生成候选框，RPN只是对anchor box进行简单背景和前景的区分，并不对类别进行区分，经过这一轮处理，过滤掉了大部分属于背景的anchor box，较大程度降低了anchor box正负样本的不平衡性。
注意：只是减轻了样本不平衡并没有解决样本不平衡。同时在第二阶段采用启发式采样(如：正负样本比1：3)或者OHEM进一步减轻正负样本不平衡的问题。
使用了anchor box机制的网络，通常就会出现样本不平衡问题。
one-stage 样本不平衡问题
one-stage方法为了提高检测速度，舍弃了生成候选框这一阶段，直接对anchor box进行难度更大的细分类，缺少了对anchor box的筛选过程。
看一下例子，预测了很多的框框，但正确包含物体的框框却很少。
交叉熵 损失函数
为什么要介绍交叉熵 损失函数呢？分类通常用到交叉熵的，而且Focal Loss 也是基于交叉熵进行改进的，先介绍一下交叉熵的原理，会更易于理解Focal Loss。
二分类交叉熵损失函数，公式定义如下：
现定义如下的
得到变形后的损失函数如下：
Focal Loss
由于存在正负样本极不平衡的问题，直接使用交叉熵 损失函数，得到的效果不好。于是，首先平衡交叉熵。
一般为了解决类别不平衡的问题，会在损失函数中每个类别前增加一个权重因子
∈ [0, 1]来协调类别不平衡。使用类似的方式定义，得到二 分类平衡交叉熵损失函数：
平衡交叉熵采用
平衡 正负样本的重要性，但是没有区分 难易样本。
然后，类间不均衡较大会导致，交叉熵损失在训练的时候收到影响。易分类的样本的分类错误的损失占了整体损失的绝大部分，并主导梯度。Focal Loss在平衡交叉熵损失函数的基础上，增加一个调节因子降低易分类样本权重，聚焦于 困难样本的训练，其定义如下：
权重帮助处理了类别的 不均衡。
其中，
是 调节因子，≥ 0是可调节的 聚焦参数，下图展示了 ∈ [0, 5]不同值时focal loss曲线
γ 控制曲线的形状. γ的值越大, 好分类样本的loss就越小, 我们就可以把模型的注意力投向那些难分类的样本. 一个大的 γ 让获得小loss的样本范围扩大了。同时，当 γ=0时，这个表达式就退化成了Cross Entropy Loss （交叉熵损失函数）。
在上图中，”蓝”线代表交叉熵损失。X轴即”预测为真实标签的概率”（为简单起见，将其称为pt）。Y轴是给定pt后Focal loss和CE的loss的值。
从图像中可以看出，当模型预测为真实标签的概率为0.6左右时，交叉熵损失仍在0.5左右。因此，为了在训练过程中减少损失，我们的模型将必须以更高的概率来预测到真实标签。换句话说， 交叉熵损失要求模型对自己的预测非常有信心。但这也同样会给模型表现带来负面影响。
深度学习模型会变得过度自信, 因此模型的泛化能力会下降.
当使用γ> 1的 Focal Loss可以减少”分类得好的样本”或者说”模型预测正确概率大”的样本的训练损失，而对于”难以分类的示例”，比如预测概率小于0.5的，则不会减小太多损失。
Focal Loss特点：
- 当很小时(样本难分，不管分的是否正确)，调节因子趋近1，损失函数中样本的权重不受影响；当很大时(样本易分，不管分的是否正确)，调节因子趋近0，损失函数中样本的权重下降很多
- 聚焦参数可以调节易分类样本权重的降低程度，越大权重降低程度越大
通过分析Focal Loss函数的特点可知，该损失函数降低了易分类样本的权重，聚焦在难分类样本上。
代码实现 Pytorch
class WeightedFocalLoss(nn.Module):
"Non weighted version of Focal Loss"
def __init__(self, alpha=.25, gamma=2):
super(WeightedFocalLoss, self).__init__()
self.alpha = torch.tensor([alpha, 1-alpha]).cuda()
self.gamma = gamma
def forward(self, inputs, targets):
BCE_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduction='none')
targets = targets.type(torch.long)
at = self.alpha.gather(0, targets.data.view(-1))
pt = torch.exp(-BCE_loss)
F_loss = at*(1-pt)**self.gamma * BCE_loss
return F_loss.mean()
参考文章1：https://blog.csdn.net/qq_38675397/article/details/106496333
参考文章2：https://amaarora.github.io/2020/06/29/FocalLoss.html
Original: https://blog.csdn.net/qq_41204464/article/details/122671175
Author: 一颗小树x
Title: 损失函数解读 之 Focal Loss
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/647957/
转载文章受原作者版权保护。转载请注明原作者出处！