一 概述
目标检测算法主要分为两类，one stage 和 two stage，one stage是指直接通过网络回归目标的类别和位置，另一种是首先训练RPN网络找到目标的位置，然后通过分类网络判定目标的类别。
一般来说，one stage网络检测速度快，但难以达到two stage网络的检测精度，而two stage网络速度慢，落地困难。而Focal loss函数的目的就是为了提高one stage检测精度。
学者们认为one stage检测精度难以达到two stage的一个重要原因是，在目标检测过程中，一张图片可以生成大量的样本，而只有少部分样本是包含目标的，即少数样本为正样本，大多数样本为负样本。负样本过多会占据损失函数的大部分，导致模型优化的方向不是我们所希望的方向。Focal loss损失函数的作用，就是降低大量简单负样本在训练中所占的比重。
二 函数形式
Focal loss是基于交叉熵损失函数的改进，首先来看二分类的交叉熵损失：
对于正样本，即y=1，预测概率越大损失越小，对于负样本，预测概率越小损失函数越大。
接下来，Focal希望减少易分类样本的损失，而更多的关注难分类，错分类的样本，具体改进如下：
在原有的交叉熵损失函数上添加一个γ因子，其中γ>0。对于正样本而言，y‘越大则表示分类越简单，则损失越小，y’越小则损失越大。同理，对于负样本而言，y‘越小表示分类越简单，损失越小。这样，就减小了易分类样本的影响，而关注难分类和错分类的样本。
此外，为了降低正负样本不均衡的影响，加入平衡因子α，具体如下式：
通过调节α的值就可以调节正负样本的比例，从而达到平衡样本的目的。
综上，即为Focal loss函数。
参考：https://www.cnblogs.com/king-lps/p/9497836.html