在计算机视觉（CV）任务里常常会碰到类别不平衡的问题， 例如：
图片分类任务：有的类别图片多，有的类别图片少检测任务：现在的检测方法如SSD和RCNN系列，都使用anchor机制。 训练时正负anchor的比例很悬殊.分割任务：背景像素数量通常远大于前景像素。 从实质上来讲， 它们可以归类成分类问题中的类别不平衡问题：对图片/anchor/像素的分类。再者，除了类不平衡问题， 还有easy sample overwhelming的问题。easy sample如果太多，可能会将有效梯度稀释掉。 这两个问题通常都会一起出现。 如果不处理， 可能会对模型性能造成很大伤害．用Focal Loss里的话说，就是训练不给力， 且会造成模型退化．
样例数目较多的类别在反向传播时对权重占主导地位。这一现象会使网络训练初期，快速的降低数目较多类别的错误率，但随着训练的迭代次数增加，数目较少类的错误率会随之上升
常见的方法有online的， 也有非online的；有只处理类间不平衡的，有只处理easy example的， 也有同时处理两者的。 Hard Negative Mining， 非online的mining/boosting方法 Mini-batch Sampling，以Fast R-CNN（2015）和Faster R-CNN（2016）为代表。Fast RCNN在训练分类器， Faster R-CNN在训练RPN时，都会从N = 1或2张图片上随机选取mini_batch_size/2个RoI或anchor， 使用正负样本的比例为1：1。若正样本数量不足就用负样本填充。 Online Hard Example Mining, OHEM（2016）。将所有sample根据当前loss排序，选出loss最大的N个，其余的抛弃。这个方法就只处理了easy sample的问题。 Oline Hard Negative Mining, OHNM， SSD（2016）里使用的一个OHEM变种， 在Focal Loss里代号为OHEM 1：3。在计算loss时， 使用所有的positive anchor, 使用OHEM选择3倍于positive anchor的negative anchor。同时考虑了类间平衡与easy sample。 Class Balanced Loss。计算loss时，正负样本上的loss分别计算， 然后通过权重来平衡两者。 Focal Loss（2017）， 最近提出来的。不会像OHEM那样抛弃一部分样本， 而是和Class Balance一样考虑了每个样本， 不同的是难易样本上的loss权重是根据样本难度计算出来的。
这些方法都是在计算loss时通过给样本加权重来解决不平衡与easy example的问题。不同的是，OHEM使用了hard weight（只有0或1），而Focal Loss使用了soft weight（0到1之间）.
现在依然常用的方法特性比较如下：
Method是否处理Class Inbalance是否处理Easy Example权值方式OHEMNoYesHardOHNM(OHEM 1:3)YesYesHardClass Balanced LossYesNoSoftFocal LossNoYesSoft从损失函数，数据处理，网络训练，梯度下降简要说明． 损失函数：计算loss时，正负样本上的loss分别计算， 然后通过权重来平衡两者 数据处理：数据扩充，针对样本数量较少的类别进行数据扩增 网络训练：采样策略，增加样本数量较少的类别的选中概率
mean squared false error (MSFE) loss
