असंतुलित जांच के लिए फोकल हानि

It solved the extreme background-versus-object imbalance that crippled one-stage object detectors.

ऑब्जेक्ट डिटेक्शन में, एक छवि में केवल कुछ वास्तविक वस्तुएं हो सकती हैं लेकिन हजारों उम्मीदवार स्थान हो सकते हैं, जिनमें से लगभग सभी आसान पृष्ठभूमि हैं। मानक क्रॉस-एन्ट्रॉपी के साथ, आसान नकारात्मकताओं की यह बाढ़ ग्रेडिएंट पर हावी हो जाती है और दुर्लभ सकारात्मकताओं को ख़त्म कर देती है। फेसबुक एआई में लिन और सहकर्मियों द्वारा 2017 रेटिनानेट पेपर में पेश किया गया फोकल लॉस, एक कारक (1 - p_t)^गामा द्वारा क्रॉस-एन्ट्रॉपी को गुणा करके इसे ठीक करता है। जब किसी नमूने को आत्मविश्वासपूर्वक और सही ढंग से वर्गीकृत किया जाता है, तो p_t 1 के करीब होता है, इसलिए कारक शून्य की ओर सिकुड़ जाता है और अच्छी तरह से वर्गीकृत उदाहरण मुश्किल से योगदान देता है। कठिन, गलत वर्गीकृत उदाहरण लगभग पूरा महत्व रखते हैं। लगभग 2 गामा के साथ, रेटिनानेट एक साधारण सिंगल-पास नेटवर्क रहते हुए फास्टर आर-सीएनएन जैसे धीमे दो-चरण डिटेक्टरों से मेल खाता है या उन्हें हरा देता है।