RetinaNet é uma arquitetura de aprendizado de máquina rede neural de estágio único para detecção de objetos, introduzida por Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He e Piotr Dollár em um artigo de 2017 intitulado "Focal Loss for Dense Object Detection". Foi desenvolvida na Facebook AI Research (agora parte da Meta AI). O modelo foi projetado para superar a lacuna de precisão entre detectores de estágio único, que são tipicamente mais rápidos, porém menos precisos, e detectores de dois estágios como Faster R-CNN, que são mais lentos, porém mais precisos. A RetinaNet alcança alta precisão ao introduzir a focal loss, uma nova função de perda que reduz o peso da contribuição de exemplos negativos fáceis durante o treinamento, permitindo que o modelo se concentre em exemplos difíceis e classes de objetos raras.
A RetinaNet é uma rede totalmente convolucional que utiliza uma espinha dorsal de Feature Pyramid Network (FPN) para extrair características multiescala, seguida por duas sub-redes específicas para tarefas: uma para classificar objetos e outra para regressão de caixas delimitadoras. A sub-rede de classificação aplica focal loss, enquanto a sub-rede de regressão usa perda L1 suave padrão. A arquitetura é projetada para detecção densa, o que significa que prevê objetos em cada localização espacial em múltiplas escalas, sem exigir uma etapa separada de proposta de região.
Arquitetura e Focal Loss
A inovação central da RetinaNet é a focal loss, que modifica a perda de entropia cruzada padrão para classificação. A focal loss adiciona um fator modulador \((1 - p_t)^\gamma\) ao termo de entropia cruzada, onde \(p_t\) é a probabilidade estimada pelo modelo para a classe verdadeira e \(\gamma\) é um parâmetro de foco (tipicamente definido como 2). Esse fator reduz a contribuição da perda de exemplos bem classificados (onde \(p_t\) é alto), evitando que o vasto número de exemplos de fundo fáceis domine o sinal de treinamento. O artigo demonstrou que a focal loss sozinha, sem mudanças arquiteturais, era suficiente para igualar ou superar o desempenho de detectores de dois estágios.
A rede usa uma espinha dorsal de ResNet (ResNet-50 ou ResNet-101) combinada com uma Feature Pyramid Network para produzir mapas de características em múltiplas escalas, desde características de baixo nível de alta resolução até características de alto nível de baixa resolução. Cada nível da pirâmide alimenta as sub-redes de classificação e regressão, que são compartilhadas em todas as escalas. Esse design permite a detecção de objetos de tamanhos variados, de pequenos a grandes, em uma única passagem direta.
Desempenho e Resultados de Benchmark
No artigo original, a RetinaNet alcançou uma Precisão Média (AP) de 39,1 no benchmark COCO test-dev com uma espinha dorsal ResNet-101-FPN, superando detectores de estágio único anteriores como SSD e YOLOv2, e igualando ou excedendo o desempenho de detectores de dois estágios como Faster R-CNN. Com uma espinha dorsal maior (ResNeXt-101-FPN), atingiu uma AP de 40,8. O modelo também demonstrou forte velocidade de inferência, operando a até 5,4 quadros por segundo em uma GPU NVIDIA M40 com a espinha dorsal ResNet-50, tornando-o adequado para aplicações em tempo real.
Os autores observaram que a focal loss era particularmente eficaz para lidar com desequilíbrio extremo de classes - no COCO, há aproximadamente 100.000 localizações candidatas por imagem, mas apenas alguns objetos, com exemplos de fundo superando em muito os de primeiro plano. Ao reduzir o peso de negativos fáceis, a RetinaNet alcançou convergência mais rápida e melhor precisão final do que detectores densos anteriores.
Impacto e Legado
A RetinaNet tornou-se uma referência padrão na pesquisa de visão computacional e foi amplamente adotada na indústria para aplicações como direção autônoma, vigilância e imagem médica. Seus princípios de design influenciaram detectores de objetos subsequentes, incluindo EfficientDet e modelos de estágio único mais recentes. A focal loss também foi adaptada para outras tarefas, como segmentação semântica e processamento de linguagem natural, onde surgem problemas de desequilíbrio de classes.
Em frameworks de aprendizado profundo, a RetinaNet é implementada em bibliotecas populares como Detectron2, torchvision do PyTorch e TensorFlow Object Detection API, facilitando seu uso por pesquisadores e profissionais. Tem sido usada como componente em sistemas maiores de inteligência artificial, incluindo no Tesla para detecção de veículos e pedestres, e na tecnologia de direção autônoma da Waymo, embora essas empresas tenham desde então migrado para arquiteturas personalizadas.
Extensões e Variantes
Várias extensões da RetinaNet foram propostas. Uma variante notável é a RetinaMask, que estende a RetinaNet para segmentação de instâncias adicionando um ramo de previsão de máscara. Outra é a FCOS (Fully Convolutional One-Stage), que se baseia em princípios semelhantes, mas usa previsão baseada em centro sem caixas de ancoragem. Pesquisadores também exploraram a integração de mecanismos de atenção, como no DEtection TRansformer (DETR), que usa uma arquitetura transformador, mas ainda aborda o mesmo problema de detecção densa.
O artigo original da RetinaNet tem sido altamente citado, com mais de 10.000 citações em 2024, refletindo sua influência significativa no campo da detecção de objetos. Suas contribuições para o design de funções de perda permanecem uma técnica padrão no treinamento de redes de previsão densa.