GFL

分类: 视觉任务

GFL

定义

目标检测 loss 函数框架，将 Quality Focal Loss（QFL）和 Distribution Focal Loss（DFL）统一为一个广义焦点损失，联合优化分类置信度与边框回归质量估计。

数学形式

$\mathcal{L}_{\text{QFL}}(p, q) = -|q - \text{sigmoid}(x)|^\beta ((1-q)\log(1-\text{sigmoid}(x)) + q\log(\text{sigmoid}(x)))$ $\mathcal{L}_{\text{DFL}}(\mathcal{S}, y_i) = -\left((y_{i+1} - y)\log(\mathcal{S}_i) + (y - y_i)\log(\mathcal{S}_{i+1})\right)$ 其中 $q$ 为 IoU score（定位质量标签），$\mathcal{S}$ 为边界框坐标的概率分布。

核心要点

QFL：用预测 IoU 替代传统 one-hot 分类标签，联合表示分类+定位质量

DFL：将边框坐标建模为离散概率分布，直接回归分布参数

作为 backbone 使用时被大量检测 KD 论文（DeFeat、FGFI、GID、LIAF 等）采用

代表工作

Li et al., NeurIPS 2020 — 原始 GFL 论文

LIAF — 在 GFL + ResNet 上验证检测 KD 效果

相关概念

DeFeat — 使用 GFL 框架的检测 KD 方法

FGFI — 同类检测方法