GFocal_loss简单总结
文章的主题很突出，针对一阶段目标检测领域的两个现存的表示问题进行分析，并提出合理的解决方案
问题1：
用法不一致，训练时分类与回归的head各自分开训练各自的，但是在推理的时候因为NMS的score，又把分类分数和框质量的分数相乘，或许会有一定的gap
对象不一致，训练分类时采用focal loss使用了负样本+正样本，但框相关的仅仅使用正样本来训练，这样会产生一种情况，即预测的框中存在负样本，这种类型在训练时未参与框质量的评估，但分数可能较高，甚至超过一些正样本，这样对结果会有影响
问题2：
框分布的表示问题，通常采用的dirac delta分布比较严格，后续的高斯分布也比较模糊，无法灵活的建模复杂场景下（例如下图大象的遮挡）真实框的分布。
问题1的解决方案：
联合分类分数和框质量分数，采用QFL（魔改版的Focal loss）。
式中σ为预测结果，y为标签，β为超参
作者原话：从物理上来讲，我们依然还是保留分类的向量，但是对应类别位置的置信度的物理含义不再是分类的score，而是改为质量预测的score
问题2的解决方案：
使用通用分布表示框的分布，并使用积分形式表示，可以内嵌到（smooth l1 loss、iou loss等中）；
由dirac delta分布转为通用分布的形式：
原dirac delta：
现general ：
离散化后
常见分布的各种指标对比如下表格：
注意的地方是推理目标，原先是x，现在是P(x)x的积分形式，具体实现时并把连续回归形式变为离散回归形式（使用softmax实现）
因同一目标的通用分布有很多中表示形式，如图，
为了尽快的拟合到真实分布，使用DFL（希望网络快速聚焦到邻近区域的分布中）
积分区域为y0到yn，y为标签点，yi以及yi+1为靠近真是位置的左右邻近，Si为softmax后的结果。
后续
把两个结合起来形成GFL：
最终检测任务的损失函数如下：
由QFL、DFL以及bbox的giou loss，加上权重组成。