Focal Loss

Definition / 释义

Focal loss（焦点损失）是一种用于分类任务（尤其是目标检测中的类别预测）的损失函数，主要通过给“容易分类的样本”降低权重、把训练注意力集中在“难样本/少数类样本”上，从而缓解类别不平衡（class imbalance）问题。它通常是在交叉熵（cross-entropy）的基础上加入“聚焦”机制（如参数 γ）与可选的类别权重（如 α）。

Pronunciation / 发音

/ˈfoʊkəl lɔːs/

Examples / 例句

Focal loss helps when most training examples are easy negatives.
当大多数训练样本都是容易的负样本时，焦点损失会很有帮助。

In dense object detection, focal loss reduces the impact of abundant background anchors so the model can learn from hard positives and rare classes.
在密集目标检测中，焦点损失会降低大量背景锚框的影响，使模型能更多从困难正样本和稀有类别中学习。

Etymology / 词源

focal来自拉丁语 focus（“炉火、焦点”），引申为“聚焦的、焦点的”；loss在机器学习语境中指“损失函数”。合在一起的“focal loss”字面意思就是“把损失的关注点聚焦到关键样本上”。该术语在深度学习目标检测领域被系统化提出并广泛传播。

Related Words / 相关词

• Cross-Entropy
• Class Imbalance
• Hard Example Mining
• Alpha
• Gamma
• Object Detection
• RetinaNet
• Loss Function

Notable Works / 出处与文献

• Focal Loss for Dense Object Detection（Lin et al., 2017）——提出并定义了 focal loss，用于解决密集检测中的前景/背景极度不平衡问题。
• RetinaNet 相关论文与实现文档（常与上述论文一同被引用）——将 focal loss 作为核心组件之一，在目标检测基准上取得显著效果。