一、 问题描述

   在目标检测任务中，一张图片的的不同目标框的大小是不一样的，有的数据集小物体比较多，二另外一些数据集大物体比较多，目标框面积敏感度就是描述这种现象的指标，目标框的面积占比，即目标框面积占这个图片面积大小的比例，值越大表示物体在图片中的占比越大。下图显示的就是图片中的标记框小物体占比比较大的情况。

图1 小物体占比比较多的场景

检测模型对于具有不同面积占比数据集的检测效果是不一样的，那么如果降低模型对于目标框面积的敏感程度呢，下面对相关的技术进行介绍。

二、解决方法

        目标检测在实际的训练过程中还是一种多任务的task，在准确的识别类的同时，还需要对类别实例的位置进行精确的定位。模型训练的loss包括class loss以及bbox loss，而对于bbox loss来说，最常见的是Smooth L1 loss，具体计算如下所示：

图2 Smooth L1 loss对应曲线

        balanced loss最早是在Libra R-CNN中提出的，相比于传统的Smooth L1loss，balanced loss具有更加平滑的曲线和收敛特征，具体的计算公式以及求导公式如下所示：

        从下面的图可以看出，在inliers的边界位置，相比于Smooth L1 loss，balanced loss具有稍微大一些的梯度，越小，增加的幅度约明显，这样可以增加模型反向梯度的更新的时候识别正样本的概率。

图3 Balanced L1 loss和Smooth L1 loss对比曲线，其中，（a）表示倒数关系，（b）表示loss关系（引用自Libra R-CNN）

三、实验验证

   在开源数据集Canine Coccidiosis Parasite上面进行实验，该数据集只有一个类别，使用balanced loss之前，对模型训练完之后，在模型评估阶段，模型对目标框面积敏感度如下所示:

图4 使用Balanced L1 loss之前，模型的目标框面积敏感度评估

使用balanced loss之后，重新对检测模型进行训练，在模型评估阶段，模型对于目标框面积敏感度分析如下:

图5 使用Balanced L1 loss之后，模型的目标框面积敏感度评估

可以看到，使用balanced loss之后，类别对目标框的面积敏感度从原来的0.1546降低到0.0912，即降低了对于数据目标框面积的敏感度。

四、用户建议

在模型推理结果中，如果检测出来的类别对于目标框面积的敏感程度比较大，推荐在训练的时候，使用balanced loss进行模型优化和加强。