阿里團隊新作，性能優於 Focal Loss！
論文鏈接：https://arxiv.org/abs/1907.10156
代碼鏈接：https://github.com/idstcv/DR_loss
摘要
大多數目標檢測算法可分爲兩類：二階檢測器 (two-stage) 和一階檢測器 (one-stage) 。近年來，爲實現簡單而有效的結構，人們致力於 one-stage 檢測器的研究。與 two-stage 檢測器不同，one-stage 檢測器旨在於一個階段內從所有候選框 (candicates) 中識別出前景對象。該體系結構效率高，但存在兩個方面的不平衡問題：前景類別 (正樣本) 和背景類別 (負樣本) 的候選框數量之間的類間不平衡以及難背景候選框 (難樣本) 的類內不平衡，其中只有少數候選框難以識別。在這項工作中，我們提出了一種新的分佈排序 (distributional ranking, DR) 損失來應對挑戰。對於每個圖像，我們將分類問題轉化爲一個排序問題，該排序問題考慮圖像中的候選框對，以解決類間不平衡問題。然後，將前景和背景的置信度分佈推向決策邊界。在此基礎上，我們對導出分佈的期望值的排序進行優化，以代替原始分佈對。該方法不僅緩解了背景候選中的類內不平衡問題，而且提高了排序算法的效率。僅用開發出的 DR Loss 替代 RetinaNet 的 Focal Loss，並以 ResNet-101 作爲主幹網絡 (backbone)，就可使 COCO 的單尺度測試的 mAP 由 39.1% 提高到 41.7% 而無需其它技巧，從而證明了本文提出的 Loss 函數的有效性。
簡圖
效果
