أفضل كاشفات الكائنات دقةً حتى الآن تعتمد على نهج ثنائي المراحل الذي اشتُهِر بـ R-CNN، حيث يُطبَّق مصنّف على مجموعة نادرة من المواقع المرشحة للكائنات. في المقابل، تتمتع كاشفات المرحلة الواحدة التي تُطبَّق على عينات منتظمة وكثيفة من المواقع المحتملة للكائنات بإمكانية أن تكون أسرع وأبسط، لكنها حتى الآن تأخرت من حيث الدقة مقارنة بكاشفات المرحلة الثنائية. في هذه الورقة، نستكشف سبب هذا التفاوت. نكتشف أن عدم التوازن الشديد بين الفئات (الكائنات في المقدمة مقابل الخلفية) الذي يواجهه الكاشفات الكثيفة أثناء التدريب هو السبب الرئيسي. نقترح معالجة هذا عدم التوازن من خلال إعادة تشكيل دالة الخسارة التقليدية (الإنتروبيا الصفرية) بحيث تقلل من تأثير الخسارة المُخصَّصة للعينات التي تم تصنيفها بشكل جيد. وتُركّز خسارة فوكال (Focal Loss) الجديدة التدريب على مجموعة نادرة من العينات الصعبة، وتحول دون أن تُفَرِّط الكاشفة في التدريب بسبب العدد الهائل من العينات السلبية السهلة. لاختبار فعالية خساراتنا، صممنا وكاشفًا كثيفًا بسيطًا أسميناه RetinaNet، ودرّبناه. تُظهر نتائجنا أن RetinaNet، عند تدريبه باستخدام خسارة فوكال، قادر على تحقيق سرعة مماثلة لكاشفات المرحلة الواحدة السابقة، مع تفوق دقةً على جميع كاشفات المرحلة الثنائية الرائدة الحالية. يمكن الاطلاع على الكود من خلال: https://github.com/facebookresearch/Detectron.