Distribution focal loss

Distribution focal loss

1. 将坐标可能的取值范围离散化为 i 个 bins（区间），并让模型预测该坐标值落在每个 bin 内的概率分布，最终通过加权求和得到连续坐标估计。

• 当 $x$ 接近 $l$ 时，$p_l$ 应趋近 1；反之亦然。

2.概率权重与距离成反比 （这里理解为标签，而非预测概率）

Bins:    [0,1)   [1,2)   [2,3)   [3,4)
          |-------|-------|-------|

• 若 x 靠近左侧 bin 的边界 如 x=1.1 ，则 $p_l$ ≈ 0.9 , $p_r$ ≈ 0.1；即：
  概率标签 $p_l$=2-1.1=0.9
  概率标签 $p_r$=1.1-1=0.1

• 若 x 靠近右侧 bin 的边界 如 x=1.9 ，则 $p_l$ ≈ 0.1 , $p_r$ ≈ 0.9；即：
  概率标签 $p_l$=2-1.9=0.1
  概率标签 $p_r$=1.9-1=0.9

3. 计算预测坐标 (倒推标签坐标)
   真实坐标 x=1.7 → 落在 bin_1=[1,2) 和 bin_2=[2,3) 之间；

   概率标签 $p_l$=2-1.7=0.3
   概率标签 $p_r$=1.7-1=0.7

   $\hat{x}=0.3\ast 1+0.7\ast 2=1.7$

4. 示例
   真实坐标 x=1.7 → 落在 bin_1=[1,2) 和 bin_2=[2,3) 之间；

Bins:    [0,1)   [1,2)   [2,3)   [3,4)
          |-------|-------|-------|

step 1: 生成标签
$p_{label}$=[0,0.3,0.7,0]

step 2: 模型预测
假设刚开始预测结果为：
$p_{pred}$=[0.1,0.2,0.6,0.1]

step 3：计算 loss
loss = -(0.3log(0.2) + 0.7log(0.6)) ≈0.89

step 4: 推理坐标
$\hat{x}=0.2\ast 1+0.6\ast 2=1.4$