RetinaNet-Obj

真是东西多多每天都有新发现             论文地址：https://arxiv.org/abs/1908.09075

样本不平衡问题感觉近期研究的论文相对较多，如：2019 AAAI GHM，2019 CVPR AP-loss， 还有2019 DR loss， 2019 IoU-balanced loss，two-stage中也有Libra RCNN，都是关注样本不平衡的问题。该论文给出了一种可行的方案，即采用学习的方法来处理样本不平衡问题。

之前所有处理样本不平衡问题的论文都是采用reweight或者采样的方法，并且都是基于手工调优的，例如RetinaNet需要设置FL的参数，GHM则要设置bins的数目和momentum的大小。该论文则提出了一种基于学习的方法来处理样本不平衡问题，不仅性能更好，而且能自适应不同的数据集。

作者首先引入了另一种不同于Focal Loss处理样本不平衡问题的方法，即借鉴YOLO的方法，在head部分同时引入Objectness subnet的分支，在推理的时候采用如下公式：

通过公式推导，该方法最后和FL loss的效果基本是等价的，在实验结果中基本也是相同的。 

Residual Objectness

分析RetinaNet-Obj中Obj分支同样存在样本不平衡的问题，自然地想到继续采用另一个obj来处理第一个Obj的样本不平衡问题。在这里，作者引入了res-obj结构：

通过residual来修正原有的obj分数，公式如下：

 

注意此处其实只针对大于一定分数的obj来做（分数为正例中分数的最小值），这样就能够提高正例的分数，相当于给正例加了权重，从而解决obj中正负样本不平衡问题。具体算法如下： 

实验结果

从最终结果来看，该方法迁移到不同方法上均有性能提升，在RetinaNet中有1个点的提升，和GHM相当；在YOLOV3和Faster RCNN中也有1个点的提升。如下：

 

whaosoft aiot  http://143ai.com