本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

Apr, 2019

本文提出了一个统一，有界并平衡的基于排名的损失函数：平均定位 - 召回 - 精度 (aLRP)，用于目标检测中的分类和定位任务，它具有排名和平衡的优点，可自然增强高质量的定位。

Sep, 2020

本文回顾了平均精度丢失 (AP loss)，揭示了选择正负样本之间排名对的关键性，并提出了两种改进 AP loss 的策略。 第一个是新的自适应成对误差 (APE) loss，专注于正负样本中的排名对。 此外，利用聚类算法和规范化排名分数和本地化分数选择更精确的排名对。在 MSCOCO 数据集上的实验证明了我们提出的方法相对于当前的分类和排名损失的优越性。

Jul, 2022

研究单阶段物体检测器的损失函数对定位准确性的影响，并提出有关 IoU 平衡的损失函数以解决该问题，在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验，证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。

Aug, 2019

该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。

Jul, 2016

本文提出了一种针对目标检测的度量标准 'Localization Recall Precision (LRP) Error'，该度量标准由三个与定位、假阴性率和假阳性率有关的组成部分组成，利用 Optimal LRP 来决定一个类别的最佳置信度阈值，从而平衡定位和召回精度之间的权衡。与 AP 不同，Optimal LRP 能为 SOTA 检测器提供比 AP 更丰富和有区别性的信息。

Jul, 2018

本文提出两种互补度量标准来解决在大词汇量和高实例数条件下，AP-Pool 评价指标的缺陷。我们发现，在对交叉类别进行再排序的情况下，这种缺陷形成了可操纵的指标，简单的再排序策略可以大幅提高平均精确度，而我们的新评估表明，许多报告的进展并未转化为改进，并考虑一种加权平均精确度的池化版本来奖励逐类别排序的合理性。最后，通过显式校准检测器，我们重新审视了经典的校准方法，并发现在 AP-Pool 上显式校准检测器可以将其最先进的水平提高 1.7 个点。

Feb, 2021

本文提出了基于定位和分类质量的视觉检测器的匹配误差的平均值作为 Localisation Recall Precision (LRP) 误差的测量方式。同时还引入了 oLRP 误差作为评估视觉检测器的最佳阈值。基于近 100 个最先进的视觉检测器，使用 10 个数据集进行了比较，发现 LRP 误差提供了比其他方法更丰富和更有区分度的信息。

Nov, 2020

本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

Jul, 2019

本文研究了单阶段物体检测器比两阶段物体检测器速度更快，但精度更低的原因，并提出了一种名为 Focal Loss 的做法，以解决稠密检测器训练中遇到的前景背景类别不平衡问题，该方法能够提高准确性。在该方法的基础上设计了一种名为 RetinaNet 的密集型检测器，取得了超过现有首屈一指的两阶段检测器的精度。

Aug, 2017