focal loss 类别不平衡
首先看一下paper中的一张图 已经很清晰了
其中 表示真实类别的模型预测概率
image
这里举一个例子：
假设一个二分类，样本x1属于类别1的pt=0.9，样本x2属于类别1的pt=0.6，显然前者更可能是类别1，假设γ=1，那么对于pt=0.9，调制系数则为0.1；对于pt=0.6，调制系数则为0.4，这个调制系数就是这个样本对loss的贡献程度，也就是权重，所以难分的样本（pt=0.6）的权重更大。Figure1中γ=0的蓝色曲线就是标准的交叉熵损失。
我觉得有必要搞清楚这个loss的来源 ：
起源于目标分割任务，对于YOLO，SSD这样不需要region proposal，直接回归的检测算法，负样本太（anchor中没有目标）多了，并且大多数负样本都是容易分类的样本，对于loss的贡献很小，对于模型学习而言都是没有用的学习信号。
为了解决样本不平衡的问题 作者尝试对容易分类的样本加上低权重，对于难分类样本加上大权重。样本难易的定义就是大的样本是易分类的样本，
小的样本是难分类样本
ref：https://blog.csdn.net/u014380165/article/details/77019084
