深度学习知识点汇总-目标检测（8）

8.8 RetinaNet

本文参考了这篇文章。

研究了one-stage和two-stage方法的优缺点。

尤其是指出了one-stage中由于样本不均衡导致的精度不高的问题。

于是作者提出了Focal Loss从损失函数的角度来解决样本不均衡的问题。将采用Focal Loss的one-stage检测器称为RetinaNet。

创新点：

• Focal Loss
  
• 新检测器：
  RetinaNet = ResNet + FPN + 两个子网络 + Focal Loss

网络结构：

图1 RetinaNet网络结构

RetinaNet结构注意内容：

1. 训练时FPN每一级的所有example都被用于计算Focal Loss，loss值加到一起用来训练；
2. 测试时FPN每一级只选取score最大的1000个example来做nms；
3. 整个结构不同层的head部分(上图中的c和d部分)共享参数，但分类和回归分支间的参数不共享；
4. 分类分支的最后一级卷积的bias初始化成前面提到的-log((1-π)/π);