文章首发于我的github仓库-cv算法工程师成长之路，欢迎关注我的公众号-嵌入式视觉。本人水平有限，文章如有问题，欢迎及时指出。如果看完文章有所收获，一定要先点赞后收藏。毕竟，赠人玫瑰，手有余香。摘要1，引言2，相关工作3，网络架构3.1，Backbone3.2，Neck3.3，Head4，FocalLoss4.1，CrossEntropy4.2，BalancedCrossEntropy4.3，FocalLossDefinition5，代码解读5.1，Backbone5.2，Neck5.3，Head5.4，先验框Anchor赋值5.5，BBoxEncoderDecoder5.6，FocalL

文章首发于我的github仓库-cv算法工程师成长之路，欢迎关注我的公众号-嵌入式视觉。本人水平有限，文章如有问题，欢迎及时指出。如果看完文章有所收获，一定要先点赞后收藏。毕竟，赠人玫瑰，手有余香。摘要1，引言2，相关工作3，网络架构3.1，Backbone3.2，Neck3.3，Head4，FocalLoss4.1，CrossEntropy4.2，BalancedCrossEntropy4.3，FocalLossDefinition5，代码解读5.1，Backbone5.2，Neck5.3，Head5.4，先验框Anchor赋值5.5，BBoxEncoderDecoder5.6，FocalL

我们在上一篇博客《数值优化：算法分类及收敛性分析基础》介绍了数值优化算法的历史发展、分类及其收敛性/复杂度分析基础。本篇博客我们重点关注一阶确定性优化算法及其收敛性分析。1梯度下降法1.1算法描述梯度下降法[1]是最古老的一阶方法，由Cauchy在1847年提出。梯度下降法的基本思想是：最小化目标函数在当前迭代点处的一阶泰勒展开，从而近似地优化目标函数本身。具体地，对函数\(f:\mathbb{R}^n\rightarrow\mathbb{R}\)，将其在第\(t\)轮迭代点\(w^t\)处求解下述问题：\[\underset{w}{\text{min}}f(w)=\underset{w}{\

我们在上一篇博客《数值优化：算法分类及收敛性分析基础》介绍了数值优化算法的历史发展、分类及其收敛性/复杂度分析基础。本篇博客我们重点关注一阶确定性优化算法及其收敛性分析。1梯度下降法1.1算法描述梯度下降法[1]是最古老的一阶方法，由Cauchy在1847年提出。梯度下降法的基本思想是：最小化目标函数在当前迭代点处的一阶泰勒展开，从而近似地优化目标函数本身。具体地，对函数\(f:\mathbb{R}^n\rightarrow\mathbb{R}\)，将其在第\(t\)轮迭代点\(w^t\)处求解下述问题：\[\underset{w}{\text{min}}f(w)=\underset{w}{\