밀집 검출의 불균형
단일 단계 검출기는 많은 위치에서 객체의 존재와 종류를 예측한다. 이때 객체가 없는 배경 예시가 매우 많아 학습에 사용되는 전경과 배경의 수가 크게 달라질 수 있다.
쉬운 예시의 영향
배경을 이미 정확하게 분류해도 예시 수가 압도적으로 많으면 학습에 상당한 영향을 줄 수 있다. Focal Loss는 잘 분류되는 예시가 만드는 손실을 줄이도록 교차 엔트로피를 바꾼다.
어려운 예시에 집중하기
쉬운 예시의 기여가 줄면 잘 분류되지 않는 예시의 상대적인 중요도가 높아진다. 단순히 모든 배경을 같은 비율로 줄이는 것과 달리 분류 상태를 반영하는 구성이다.
RetinaNet의 평가
연구는 손실의 효과를 살펴보기 위해 RetinaNet이라는 밀집 검출기를 설계했다. 단일 단계 검출의 속도와 두 단계 검출의 정확도를 함께 비교하며 불균형 문제를 분석했다.
관련 문서
Generalized Focal Loss / 유효 표본 수 기반 클래스 균형 손실 / LDAM / Equalization Loss / GIoU / DIoU