位置: IT常识 - 正文
损失函数解读 之 Focal Loss(损失函数解读例题)
编辑：rootadmin推荐整理分享损失函数解读 之 Focal Loss(损失函数解读例题)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:损失函数解读例题,损失函数解读公式,损失函数怎么理解,损失函数解读例题,损失函数是啥,损失函数怎么理解,损失函数解读公式,损失函数解读公式,内容如对您有帮助，希望把文章链接给更多的朋友！
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？
two-stage 样本不平衡问题
one-stage 样本不平衡问题
交叉熵 损失函数
Focal Loss
代码实现 Pytorch
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 W*H，那么总共有 W*H*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 Pytorchclass 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
下一篇：YOLOv5实现目标识别全流程【超级详细！】(yolo目标识别)
