目标检测中焦点损失的原理

介绍
对象检测是计算机视觉社区中研究最普遍的主题之一，它已经进入了各个行业，涉及从图像安全，监视，自动车辆系统到机器检查等领域。

当前，基于深度学习的对象检测能够大体分为两类：

• 两级检测器，例如基于区域检测的CNN（R-CNN）及其后续产品。
• 一级探测器，例如YOLO系列探测器和SSD
  基于锚框的常规一级检测器可能会更快，更简单，但因为在训练过程当中遇到极端的等级失衡，其精度已经落后于两级探测器。
  FAIR在2018年发表了一篇论文，其中他们引入了焦点损失的概念，使用他们称之为RetinaNet的一级探测器来处理此类不平衡问题。
  在咱们深刻探讨焦点损失（Focal Loss）的本质以前，让咱们首先了解这个类不平衡问题是什么以及它可能引发的问题。
  目录
  1. 为何须要焦点损失
  2. 什么是焦点损失
  3. 交叉熵损失
     交叉熵问题
     例子
  4. 平衡交叉熵损失
     平衡交叉熵问题
     例子
• 焦点损失说明
  例子
• 交叉熵损失 vs 焦点损失
  容易正确分类的记录
  分类错误的记录
  很是容易分类的记录
• 最后的想法
  为何须要焦点损失
  两种经典的一级检测方法，如加强型检测器，DPM和最新的方法（如SSD）均可以评估每一个图像大约10^4 至 10^5个候选位置，但只有少数位置包含对象（即前景），而其他的只是背景对象，这就致使了类不平衡的问题。
  这种不平衡会致使两个问题
• 训练效率低下，由于大多数位置都容易被判断为负类（这意味着检测器能够轻松地将其归类为背景），这对检测器的学习没有帮助。
• 容易产生的负类（几率较高的检测）占输入的很大一部分。虽然单独计算的梯度和损失较小，但它们可能使损耗和计算出的梯度不堪重负，并可能致使模型退化。
  什么是焦点损失
  简而言之，焦点损失（Focal Loss，FL）是交叉熵损失（Cross-Entropy Loss，CE）的改进版本，它经过为难分类的或容易错误分类的示例（即带有噪声纹理的背景或部分对象的或咱们感兴趣的对象）分配更多的权重并对简单示例（即背景对象）下降权重来处理类不平衡问题。
  所以，焦点损失减小了简单示例的损失贡献，并增强了对纠正错误分类示例的重视。
  首先让咱们来了解一下二进制分类的交叉熵损失。
  交叉熵损失
  交叉熵损失背后的思想是惩罚错误的预测，而不是奖励正确的预测。
  二进制分类的交叉熵损失以下：
  
  其中：
  Yact = Y的实际值
  Ypred = Y的预测值
  为了标记方便，咱们记 Yact = Y 且 Ypred = p 。
  Y∈{0,1}，这是正确标注
  p∈[0,1]，是模型对Y = 1的类别的估计几率。
  为了符号上的方便，咱们能够将上述方程式改写为：
  pt = {-ln(p) ,当Y=1 -ln(1-p) ,当 Y=}
  CE（p，y）= CE（pt）=-ln⁡（pt）
  交叉熵问题
  如你所见，下图中的蓝线表示当p很是接近0（当Y = 0时）或1时，容易分类的pt > 0.5的示例可能会产生不小幅度的损失。
  
  让咱们用下面的例子来理解它。
  例子
  假设，前景（咱们称其为类1）正确分类为p = 0.95 ——
  CE（FG）= -ln（0.95）= 0.05
  而且背景（咱们称其为类0）正确分类为p = 0.05 ——
  CE（BG）=-ln（1- 0.05）= 0.05
  如今问题是，对于类不平衡的数据集，当这些小的损失在整个图像上相加时，可能会使总体损失（总损失）不堪重负，将致使模型退化。
  平衡交叉熵损失
  解决类别不平衡问题的一种常见方法是为类别引入权重因子∝[0,1]
  为了标记方便，咱们能够在损失函数中定义 ∝t 以下：
  CE（pt）= -∝t ln ln（pt）
  如你所见，这只是交叉熵的扩展。
  平衡交叉熵的问题
  咱们的实验将代表，在密集检测器训练过程当中遇到的大类不平衡压倒了交叉熵损失。
  容易分类的负类占损耗的大部分，并主导梯度。虽然平衡了正例/负例的重要性，但它并无区分简单/困难的示例。
  让咱们经过一个例子来理解这一点
  例子
  假设，前景（咱们称其为类1）正确分类为p = 0.95 ——
  CE（FG）= -0.25 ln（0.95）= 0.0128
  正确分类为p = 0.05的背景（咱们称之为类0）——
  CE（BG）=-（1-0.25） ln（1- 0.05）= 0.038
  虽然能够很好地正确区分正类和负类，但仍然不能区分简单/困难的样本。
  这就是焦点损失（扩展到交叉熵）所要解决的问题。
  焦点损失说明
  焦点损失只是交叉熵损失函数的扩展，它将下降简单示例的权重，并将训练重点放在困难的负样本上。
  为此，研究人员提出：（1- pt）γ 为交叉熵损失，且可调聚焦参数γ≥0。
  RetinaNet物体检测方法使用焦点损失的α平衡变体，其中α = 0.25，γ= 2效果最佳。
  所以，焦点损失能够定义为——
  FL (pt) = -αt(1- pt)γ log log(pt).
  对于γ∈[0,5]的几个值，能够看到焦点损失，请参见图1。
  咱们将注意到焦点损失的如下特性：
  1. 当示例分类错误而且pt小时，调制因数接近1，而且损失不受影响。
  2. 当 pt →1 时，该因子变为0，而且对分类良好的示例的损失进行了权衡。
  3. 聚焦参数γ平滑地调整了简单示例的权重。
     随着增长，调制因数的做用一样增长。（通过大量实验和试验，研究人员发现γ = 2效果最佳）
     注意：当γ= 0时，FL等效于CE，参考图中蓝色曲线。
     直观上，调制因数减小了简单示例的损耗贡献，并扩展了示例接收低损耗的范围。
     让咱们经过一个例子来了解上述焦点损失的特性。
     例子
• 当记录（前景或背景）被正确分类时，
  1.前景正确分类，预测几率p=0.99，背景正确分类，预测几率p=0.01。
  pt = {0.99，当Yact = 1 时; 1-0.01，当Y act = 0时}，调制因数（FG）=（1-0.99）2 = 0.0001 ，调制因数（BG）=（1-（1-0.01））2 = 0.0001，如你所见，调制因数接近于0，所以损耗将被权重下降。
  2.前景被错误分类，预测几率p = 0.01，背景对象被错误分类，预测几率p = 0.99。pt = {0.01，当Yact = 1 时; 1-0.99，当Y act = 0时}，调制因数（FG）=（1-0.01）2 = 0.9801 ,调制因数（BG）=（1-（1-0.99））2 = 0.9801，如你所见，调制因数接近于1，所以损耗不受影响。
  如今，让咱们使用一些示例来比较交叉熵和焦点损失，并查看焦点损失在训练过程当中的影响。
  交叉熵损失 vs 焦点损失
  让咱们经过考虑如下几种状况来进行比较。
  容易正确分类的记录
  假设前景正确分类的预测几率为p = 0.95，背景正确分类的背景为预测几率p = 0.05。pt = {0.95, 当 Yact=1时；1-0.05 ,当 Yact = 0时}， CE(FG)= -ln (0.95) = 0.0512932943875505，让咱们考虑在∝ = 0.25和γ= 2时的焦点损失。
  FL(FG)= -0.25 (1-0.95)2 ln (0.95) = 3.2058308992219E-5
  FL(BG)= -0.75 (1-(1-0.05))2 ln (1-0.05) = 9.61E-5
  分类错误的记录
  假设预测几率p=0.05的前景被分类为预测几率p=0.05的背景对象。
  pt = {0.95，当Y act = 1；1-0.05时，当Y act = 0时}，
  CE（FG）= -ln（0.05）= 2.995732273553991
  CE（BG）= -ln（1-0.95）= 2.995732273553992
  让咱们考虑相同的场景，即∞=0.25和γ=2。
  FL（FG）= -0.25 （1-0.05）2 ln（0.05）= 0.675912094220619，FL（BG）= -0.75 （1-（1-0.95））2 ln（1-0.95）= 2.027736282661858
  很是容易分类的记录
  假设对预测几率p=0.01的背景对象，用预测几率p=0.99对前景进行分类。
  pt = {0.99, 当 Yact=1时；1-0.01 ,当 Yact = 0时}，CE(FG)= -ln (0.99)= 0.0100503358535014，
  CE（BG）= -ln（1-0.01）= 0.0100503358535014
  让咱们考虑相同的场景，即∞=0.25和γ=2。
  FL（FG）= -0.25 （1-0.01）2 ln（0.99）= 2.51 10 -7，FL（BG）= -0.75 （1-（1-0.01））2 ln（1-0.01） = 7.5377518901261E-7
  最后的想法
  方案1：0.05129 / 3.2058 10 -7 =小1600倍
  方案2：2.3 / 0.667 =小4.5倍
  方案3：0.01 / 0.00000025 =小40,000倍。
  这三个案例清楚地说明了焦点损失是如何减少分类良好记录的权重的，另外一方面又为错误分类或较难分类的记录赋予较大的权重。
  通过大量的试验和实验，研究人员发现 ∝ = 0.25和 γ = 2 效果最佳。
  尾注
  在本文，咱们经历了从交叉熵损失到焦点损失的整个进化过程，详细解释了目标检测中的焦点损失。
  参考
• https://arxiv.org/ftp/arxiv/papers/2006/2006.01413.pdf

• https://medium.com/@14prakash/the-intuition-behind-retinanet-eb636755607d

• https://developers.arcgis.com/python / guide / how-retinanet-works /
  参考连接：https://www.analyticsvidhya.com/blog/2020/08/a-beginners-guide-to-focal-loss-in-object-detection/