Focal Loss for Dense Object Detection 是ICCV2017的Best student paper,文章思路很简单但非常具有开拓性意义，效果也非常令人称赞。
GHM(gradient harmonizing mechanism) 发表于 “Gradient Harmonized Single-stage Detector",AAAI2019，是基于Focal loss的改进，也是个人推荐的一篇深度学习必读文章。
第一部分 Focal Loss
Focal Loss的引入主要是为了解决难易样本数量不平衡（注意，有区别于正负样本数量不平衡）的问题，实际可以使用的范围非常广泛，为了方便解释，还是拿目标检测的应用场景来说明：
单阶段的目标检测器通常会产生高达100k的候选目标，只有极少数是正样本，正负样本数量非常不平衡。我们在计算分类的时候常用的损失——交叉熵的公式如下：
(1)
为了解决正负样本不平衡的问题，我们通常会在交叉熵损失的前面加上一个参数 ，即：
(2)
但这并不能解决全部问题。根据正、负、难、易，样本一共可以分为以下四类：
尽管 平衡了正负样本，但对难易样本的不平衡没有任何帮助。而实际上，目标检测中大量的候选目标都是像下图一样的易分样本。
这些样本的损失很低，但是由于数量极不平衡，易分样本的数量相对来讲太多，最终主导了总的损失。而本文的作者认为，易分样本（即，置信度高的样本）对模型的提升效果非常小，模型应该主要关注与那些难分样本（这个假设是有问题的，是GHM的主要改进对象）
这时候，Focal Loss就上场了！
一个简单的思想：把高置信度(p)样本的损失再降低一些不就好了吗！
（3）
举个例， 取2时，如果
,
，损失衰减了1000倍！
Focal Loss的最终形式结合了上面的公式（2）. 这很好理解，公式(3)解决了难易样本的不平衡，公式(2)解决了正负样本的不平衡，将公式（2）与（3）结合使用，同时解决正负难易2个问题！
最终的Focal Loss形式如下：
实验表明 取2,
取0.25的时候效果最佳。
这样以来，训练过程关注对象的排序为正难>负难>正易>负易。
这就是Focal Loss，简单明了但特别有用。
Focal Loss的实现：
def py_sigmoid_focal_loss(pred,
target,
weight=None,
gamma=2.0,
alpha=0.25,
reduction='mean',
avg_factor=None):
pred_sigmoid = pred.sigmoid()
target = target.type_as(pred)
pt = (1 - pred_sigmoid) * target + pred_sigmoid * (1 - target)
focal_weight = (alpha * target + (1 - alpha) *
(1 - target)) * pt.pow(gamma)
loss = F.binary_cross_entropy_with_logits(
pred, target, reduction='none') * focal_weight
loss = weight_reduce_loss(loss, weight, reduction, avg_factor)
return loss这个代码很容易理解，
先定义一个pt：
然后计算：
focal_weight = (alpha * target + (1 - alpha) *(1 - target)) * pt.pow(gamma)也就是这个公式：
再把BCE损失*focal_weight就行了
代码来自于mmdetection\mmdet\models\losses，这个python版的sigmoid_focal_loss实现就是让你拿去学习的，真正使用的是cuda编程版。真是个人性化的好框架
第二部分 GHM
那么，Focal Loss存在什么问题呢？
首先，让模型过多关注那些特别难分的样本肯定是存在问题的，样本中有离群点（outliers），可能模型已经收敛了但是这些离群点还是会被判断错误，让模型去关注这样的样本，怎么可能是最好的呢？
其次， 与
的取值全凭实验得出，且
和
要联合起来一起实验才行（也就是说，
和
的取值会相互影响）。
GHM(gradient harmonizing mechanism) 解决了上述两个问题。
Focal Loss是从置信度p的角度入手衰减loss，而GHM是一定范围置信度p的样本数量的角度衰减loss。
文章先定义了一个梯度模长g：
代码如下：
g = torch.abs(pred.sigmoid().detach() - target)其中 是模型预测的概率，
是 ground-truth的标签，
的取值为0或1.
g正比于检测的难易程度，g越大则检测难度越大。
至于为什么叫梯度模长，因为g是从交叉熵损失求梯度得来的：
假定 是样本的输出
,我们知道
，
那么 ，可以求出
看下图梯度模长与样本数量的关系：
可以看到，梯度模长接近于0的样本数量最多，随着梯度模长的增长，样本数量迅速减少，但是在梯度模长接近于1时，样本数量也挺多。
GHM的想法是，我们确实不应该过多关注易分样本，但是特别难分的样本（outliers，离群点）也不该关注啊！
这些离群点的梯度模长d要比一般的样本大很多，如果模型被迫去关注这些样本，反而有可能降低模型的准确度！况且，这些样本的数量也很多！
那怎么同时衰减易分样本和特别难分的样本呢?太简单了，谁的数量多衰减谁呗！那怎么衰减数量多的呢？简单啊，定义一个变量，让这个变量能衡量出一定梯度范围内的样本数量——这不就是物理上密度的概念吗？
于是，作者定义了梯度密度 ——本文最重要的公式：
表明了样本1～N中，梯度模长分布在
范围内的样本个数，
代表了
区间的长度。
因此梯度密度 的物理含义是：单位梯度模长g部分的样本个数。
接下来就简单了，对于每个样本，把交叉熵CE×该样本梯度密度的倒数即可！
用于分类的GHM损失
， N是总的样本数量。
梯度密度的详细计算过程如下：
首先，把梯度模长范围划分成10个区域，这里要求输入必须经过sigmoid计算，这样梯度模长的范围就限制在0~1之间：
class GHMC(nn.Module):
def __init__(self, bins=10, ......):
self.bins = bins
edges = torch.arange(bins + 1).float() / bins
......
>>> edges = tensor([0.0000, 0.1000, 0.2000, 0.3000, 0.4000,
0.5000, 0.6000, 0.7000, 0.8000,0.9000, 1.0000])edges是每个区域的边界，有了边界就很容易计算出梯度模长落入哪个区间内。
然后根据网络输出pred和ground true计算loss：
注意，不管是Focal Loss还是GHM其实都是对不同样本赋予不同的权重，所以该代码前面计算的都是样本权重，最后计算GHM Loss就是调用了Pytorch自带的binary_cross_entropy_with_logits，将样本权重填进去。
# 计算梯度模长
g = torch.abs(pred.sigmoid().detach() - target)
# n 用来统计有效的区间数。
# 假如某个区间没有落入任何梯度模长，密度为0，需要额外考虑，不然取个倒数就无穷了。
n = 0 # n valid bins
# 通过循环计算落入10个bins的梯度模长数量
for i in range(self.bins):
inds = (g >= edges[i]) & (g < edges[i + 1]) & valid
num_in_bin = inds.sum().item()
if num_in_bin > 0:
# 重点，所谓的梯度密度就是1/num_in_bin
weights[inds] = num_labels / num_in_bin
n += 1
if n > 0:
weights = weights / n
# 把上面计算的weights填到binary_cross_entropy_with_logits里就行了
loss = torch.nn.functional.binary_cross_entropy_with_logits(
pred, target, weights, reduction='sum') / num_labels
看看抑制的效果吧，也就是文章开头的这张图片：
同样，对于回归损失：
,其中
为修正的smooth L1 loss.
End~
因为本文着重论文的理解，很多细节没有写出，大家还是要去看一下原文的。
如果文中有错误还请批评指出！