先写个简略版的笔记..看之后的情况要不要读得更精细一点..
背景#
two stage的检测比one stage的检测效果好，原因是啥？
作者认为是正负样本不平衡导致的. two stage的方法在proposal 的时候干掉了大部分负样本，所以效果好.
因为作者提出了一种新的loss，称为Focal Loss 是对交叉熵loss的改进，作用是提高没有正确分类的样本的权重，降低正确分类的样本的权重.
然后设计了个retinaNet 来验证效果. 主要是用了Focal Loss 作为损失函数，以及backbone比起之前的one stage的检测用上了FPN.
Focal Loss#
一图胜千言
Focal loss是在交叉熵loss的基础上增加了一个指数衰减. 对正确分类的样本影响很小，对错误分类的样本影响很大.
从图上我们可以看出，CE对正确分类的样本仍然有不小的loss，这样的样本数很多的话，就会被训练的时候模型被带歪… 因此需要减少这些正确分类的样本对loss的影响.
RetinaNet#
单阶段检测，主要在于使用Focal Loss训练，以及backbone用上了FPN
