目标检测分类部分损失函数：BCE → Focal Loss → VFL → MAL 的演进

先说结论：解决检测任务两大核心痛点：正负样本极度不均衡、分类与定位解耦、稠密匹配下大量低质量正样本失控，每一项损失都是为修复前一代缺陷而生

一、交叉熵

统一公式：

也可写成：

设计目标：基础二分类损失，衡量预测置信与固定 0/1 标签的差距

优点

形式简单、梯度稳定、理论完备。

缺点（检测场景致命）

  1. 正负样本数量极端失衡：图像中绝大多数 Anchor 是背景负样本，海量简单背景损失主导梯度，少量前景梯度被淹没，模型学不好物体；
  2. 无难易样本区分：简单背景、难分背景同等惩罚，简单负样本持续产生无效梯度；
  3. 分类与定位完全解耦：所有正样本标签统一为 1，不区分预测框和 GT 的 IoU 高低；定位差的框也会被强制推高置信，NMS 产生大量低质量假阳性框。

遗留待解决问题

样本不均衡、难例挖掘缺失、置信度不感知框定位精度。

二、Focal Loss

设计目的：BCE 中海量易分背景主导训练梯度，希望压低简单负样本权重，聚焦难分样本

其中

  • ：正负平衡权重 ，平衡正负样本数量均衡性
  • >0：难易调制因子，对正样本y=1来说，当p->1，则极小，当p->0，则极大，即简单样本权重小，困难样本权重大；当y=0，也是同样的原理。所以通过这个超参让模型聚焦在困难样本的学习

优点

  1. 大幅缓解正负样本不均衡，抑制海量简单背景；
  2. 自动挖掘难例，提升小物体、模糊物体检测效果；
  3. 轻量化改造，可直接替换 BCE 用于所有稠密检测器。

缺点（遗留核心缺陷）

  1. 依旧使用硬标签 y=1,0：所有匹配 GT 的正样本统一监督 p->1，完全不区分框 IoU；
  2. 分类、定位完全分离：置信度不代表框精度，大量 IoU 很低的劣质框依然会输出高分，NMS 冗余框多；
  3. 对高低质量正样本无差异化监督，模型不会优先优化定位精准的高 IoU 框。

遗留待解决问题

分类置信无法反映框定位质量，高低 IoU 正样本同等对待。

三、VFL(Varifocal Loss)

提出动机：Focal Loss 置信与 IoU 无关，低 IoU 框高置信干扰 NMS；希望让分类得分自带 IoU 感知，优质框高分、劣质框低分。

q= 预测框与 GT 的 IoU；p= 分类预测；q>0为正样本，q=0为负样本

对这个公式，不要想着是从Focal loss推导过来的，应该想着是从BCE推导过来的，再加上保留focal loss中对负样本的损失设计，这样就好理解了：

  • 对q>0部分，抛弃交叉熵(

    )中y=1的固定标签，监督目标改为 IoU 值q，即定位越准，要求置信越高；在外层再进行二次q加权，那么高 IoU 优质框损失权重更大，梯度更强，模型优先学习精准框
  • 对q=0负样本部分，则完全保留focal loss的设计

优点

  1. IoU 感知分类置信，解决分类定位解耦，NMS 过滤大量低质量框，显著提升 mAP；
  2. 差异化监督正样本，高 IoU 框获得更强训练信号；
  3. 兼容 RetinaNet/FCOS/YOLO 等稠密检测框架。

致命缺点（稠密 O2O 匹配场景暴露）

稠密标签分配（SimOTA/TAL）会产生海量极低 IoU 正样本（q≈0.05~0.3），双层 q 结构造成梯度近乎消失：

  1. 内层标签q本身极小，基础 BCE 损失已经很低；
  2. 外层再乘以q二次缩放，损失被压缩几十倍；
  3. 低质量匹配框即便盲目输出高置信p，损失惩罚微乎其微，模型没有动力压低其置信，大量劣质框高分泛滥，抵消 VFL 收益；
  4. 论文中认为超参多，调参成本高：，。

四、MAL(Matchability-Aware Loss)

提出动机：VFL 双层 q 衰减导致极低 IoU 匹配样本几乎无惩罚；面向稠密一对一匹配场景，需要同时约束好匹配、差匹配，让所有匹配 Anchor 都具备有效梯度

论文默认 1.5；为软标签

针对性的改造，优化VAL的短板：

  1. 当q很小（匹配差，当然再小也是>0，也就是正样本的场景啦），几乎为0，也就是公式中左半部分，那么当p很大，损失很大（公式第二部分的log(1-p）很大），惩罚低IOU却盲目自信的
  2. 相反，当q很大（匹配好，当然也是正样本场景），偏高，损失来源主要为公式第一部分，当p很小时，损失飙升（大），监督模型提升匹配好的置信度
  3. 移除平衡超参，简化损失结构，降低调参难度
  4. 负样本保留 Focal 的调制，持续抑制简单背景。

优点

  1. 继承 VFL IoU 感知能力，高 IoU 框置信校准效果不变；
  2. 解决 VFL 最大缺陷：海量低 IoU 稠密匹配样本拥有充足梯度，杜绝劣质框盲目高分；
  3. 公式更简洁，去掉，调参成本更低；
  4. 完美适配 SimOTA、TAL 等生成大量低质量正样本的标签分配策略。

缺点

  1. 引入新超参，需要根据数据集微调；
  2. 完全依赖 BCE 原生梯度，极端多低 IoU 样本时训练前期梯度震荡略高于 VFL

演变总结：

  1. BCE：基础分类损失，但扛不住检测样本不均衡；
  2. Focal Loss：解决正负 / 难易样本失衡，但置信和框精度无关；
  3. VFL：引入 IoU 软标签，实现置信感知定位质量，但双层 q 压缩导致低 IoU 匹配监督失效；
  4. MAL：删外层加权、改用幂次标签，完整保留 BCE 惩罚力度，兼顾高低质量所有匹配样本，适配现代稠密检测器。

整体不变的底层：全部基于二元交叉熵核心机制，后续所有改进都只在标签构造、损失加权系数上做改动，没有替换 BCE 基础损失形式。