GFocal_loss簡單總結
文章的主題很突出，針對一階段目標檢測領域的兩個現存的表示問題進行分析，並提出合理的解決方案
問題1：
用法不一致，訓練時分類與回歸的head各自分開訓練各自的，但是在推理的時候因為NMS的score，又把分類分數和框質量的分數相乘，或許會有一定的gap
對象不一致，訓練分類時采用focal loss使用了負樣本+正樣本，但框相關的僅僅使用正樣本來訓練，這樣會產生一種情況，即預測的框中存在負樣本，這種類型在訓練時未參與框質量的評估，但分數可能較高，甚至超過一些正樣本，這樣對結果會有影響
問題2：
框分布的表示問題，通常采用的dirac delta分布比較嚴格，后續的高斯分布也比較模糊，無法靈活的建模復雜場景下（例如下圖大象的遮擋）真實框的分布。
問題1的解決方案：
聯合分類分數和框質量分數，采用QFL（魔改版的Focal loss）。
式中σ為預測結果，y為標簽，β為超參
作者原話：從物理上來講，我們依然還是保留分類的向量，但是對應類別位置的置信度的物理含義不再是分類的score，而是改為質量預測的score
問題2的解決方案：
使用通用分布表示框的分布，並使用積分形式表示，可以內嵌到（smooth l1 loss、iou loss等中）；
由dirac delta分布轉為通用分布的形式：
原dirac delta：
現general ：
離散化后
常見分布的各種指標對比如下表格：
注意的地方是推理目標，原先是x，現在是P(x)x的積分形式，具體實現時並把連續回歸形式變為離散回歸形式（使用softmax實現）
因同一目標的通用分布有很多中表示形式，如圖，
為了盡快的擬合到真實分布，使用DFL（希望網絡快速聚焦到鄰近區域的分布中）
積分區域為y0到yn，y為標簽點，yi以及yi+1為靠近真是位置的左右鄰近，Si為softmax后的結果。
后續
把兩個結合起來形成GFL：
最終檢測任務的損失函數如下：
由QFL、DFL以及bbox的giou loss，加上權重組成。