OHEM(online hard example mining)和focal loss可以解决困难样本和简单样本不平衡的问题
OHEM通过选择损失较大的候选ROI解决困难样本和简单样本不平衡的问题，原论文是用fast rcnn做实验的。
OHEM论文解读
focal loss和ohem
关于目标检测不平衡问题的一些工作

一、focal loss

论文链接：https://arxiv.org/pdf/1708.02002
参考链接：https://www.cnblogs.com/king-lps/p/9497836.html
作用： 解决一阶段目标检测中简单困难样本呢不均衡问题和正负样本呢不均衡的问题
原因：一阶段网络没有rpn网络来筛选正负样本，使得送入网络的负样本数量巨大。
做法：引入gamma使得对于正样本来说预测概率越大损失函数越小，对于负样本来说，预测概率越小，损失函数越小这样使得模型更关注那些困难样本（即预测概率不大或不小的样本）；引入alpha平衡正负样本数量不平衡的问题。

版权声明：本文为CSDN博主「phily123」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/phily123/article/details/121666010