focal loss

Focal Loss 通过降低易分类样本权重，使模型专注于困难样本，解决类别不平衡问题。

公式

$FL(p_t)=-{\alpha }_t(1-p_t{)}^{\gamma }\log (p_t)$

参数：

• $p_t$：模型对正确类别的预测概率
• ${\alpha }_t$：类别平衡参数
• $\gamma$：焦点参数（通常为 2）

原理

样本类型	$p_t$	$(1-p_t{)}^{\gamma }$	损失权重
易分类	大	小	低
难分类	小	大	高

示例（$\gamma =2,{\alpha }_t=0.25$）：

• 难分类样本（$p=0.2$）：$FL=0.257$
• 易分类样本（$p=0.8$）：$FL=0.002$

与交叉熵对比

标准交叉熵对所有样本一视同仁，Focal Loss 自动调整样本权重：

• $\gamma =0$：退化为标准交叉熵
• $\gamma >0$：越大，易分类样本权重越低

应用场景

• 目标检测（正负样本极不平衡）
• 图像分割（前景背景不平衡）

配合 ${\alpha }_t$ 可同时处理类别不平衡和样本难度不平衡。