关于α参数

[chenf99]

论文中说 α for class 1 and 1−α for class −1,class 1和class -1应该分别指的是正样本和负样本（背景类），可我看您的实现好像是反的？

[chenf99]

@yatengLG 同时还有一句 Finally we note that α, the weight assigned to the rare class， 这是不是更加说明1−α 才应该赋给background

[yatengLG]

论文是好早之前看过的了，具体细节也忘了。我这里就说下我写的意思以及为什么这么写吧。

1. 我这里的确是 α赋予背景类，1-α赋予其他类(正样本，非背景类)。
2. 我这里实现的是俩个功能，一个是目标检测时，单抑制背景类；第二个是对不同类分别给予不同的权重。 当时这么写是想统一俩种功能的逻辑，比如单抑制背景类时，α=0.25，意味着我给背景类添加一个0.25的权重，其他类0.75的权重；在不同类别赋予不同权重时，直接[0.25, 0.3， 1， 0.5] 这样，可以很好的理解，第一类赋予0.25权重，第二类赋予0.3权重 .......这样。

[yatengLG]

按照论文中，1-α赋予负样本，α赋予正样本，也是完全可以的。不过理解可能要变成，α=0.75，赋予正样本，1-α=0.25赋予背景类。

当时写的时候总感觉有点别扭。 理解了算法本身，俩种写法都可以正常使用，没有任何影响的。

[chenf99]

我明白您那样写的意思，代码很简洁明了，我仔细看了论文，也看了很多别人的解读，α=0.25是赋予正样本的，这样来看在加大背景类的权重，解释是因为衰减部分(1-pt)**γ把作为easy examples的背景类的loss减小得太多了。另外，请问您用focal loss训练的SSD效果比原来的更好吗，我最近在想办法改进SSD的效果。

[yatengLG]

效果较之前有明显提高。但是你需要把正则化调高，由于γ参数的影响，过拟合特别明显。

[chenf99]

我用focal loss训练出来的SSD效果要差很多，我是先在VOC数据集上训练好SSD后再在别的数据集上微调，用focal loss达不到之前用OHEM的效果。我想再问一下您除了调大正则化之外还有改别的超参数吗，比如学习率，focal loss的α和γ，以及初始化方式等，谢谢！