前面還有一篇focal loss 的翻譯，但是來不及翻譯完晚上就要組會了，但是總算是自己也把這篇論文了解完了。下面是PPT的截圖，記錄一下。
這個是從論文綜述《Learning from Imbalanced Data》裡面的對于資料不均衡的一個定義，我覺得很不錯。
這張小貓的圖我覺得可以很好地表達難易樣本的定義問題，一目了然。
Table1是關于RetinaNet和Focal Loss的一些實驗結果。
（a）是在交叉熵的基礎上加上參數a，a=0.5就表示傳統的交叉熵，可以看出當a=0.75的時候效果最好，AP值提升了0.9。
（b）是對比不同的參數γ和a的實驗結果，可以看出随着γ的增加，AP提升比較明顯。
（d）通過和OHEM的對比可以看出最好的Focal Loss比最好的OHEM提高了3.2AP。這裡OHEM1:3表示在通過OHEM得到的minibatch上強制positive和negative樣本的比例為1:3，通過對比可以看出這種強制的操作并沒有提升AP。
（e）加入了運算時間的對比，可以和前面的Figure2結合起來看，速度方面也有優勢！注意這裡RetinaNet-101-800的AP是37.8，當把訓練時間擴大1.5倍同時采用scale jitter，AP可以提高到39.1，這就是全文和table2中的最高的39.1AP的由來。
參考了很多部落格，寫的都很詳細，尤其是這篇
平安水過一次組會，好險好險。