目标检测之目标框损失函数汇总

目标检测之目标框损失函数汇总

文章目录

​​前言​​​​1. L1 loss&L2 loss​​

​​L1 Loss​​​​L2 Loss​​​​缺点​​

​​2. Smooth L1 Loss​​

​​Smooth L1 Loss​​​​缺点​​

​​3. IOU Loss​​

​​IOU loss​​

​​4. GIoU Loss​​

​​IoU Loss的不足​​​​GIoU Loss​​

​​5. DIoU Loss & CIoU Loss​​

​​DIoU Loss​​​​CIoU Loss​​

​​6. PIoU Loss：倾斜目标检测专用损失函数​​

前言

目标检测任务的损失函数由分类损失和边界框回归损失组成，这部分主要介绍边界框回归损失方法部分，主要涉及 Smooth L1 Loss -> IoU Loss -> GIoU Loss -> DIoU Loss -> CIoU Loss->PIoU Loss

1. L1 loss&L2 loss

L1 Loss

L2 Loss

缺点

由二者的导数计算方式可知，L1 Loss 对x的导数为常数，当在训练后期，x很小时，如果学习率不变，损失函数会在稳定值附近波动（梯度较大），不容易收敛。 L2 损失函数在x的值很大时，导数也非常大，损失函数变化也会很大，在训练初期很不稳定。

2. Smooth L1 Loss

Smooth L1 Loss 是使用了L1 Loss、L2 Loss的各自的优点，特点是训练初期，x的值较大，为了加快收敛，使梯度较大。在训练后期，x的值较小，为了能够稳定收敛，将梯度减小，不至于在稳定点附近波动。

Smooth L1 Loss

缺点

L1 Loss、L2 Loss、Smooth L1 Loss 在计算坐标框损失时，都是独立计算4个点的Loss，然后进行相加得到最终的Loss，这中做法的前提是4个点是相互独立的，但实际上这4个点是相关的。

3. IOU Loss

**问题2：**即状态2和状态3的情况，当两个预测框大小相同，两个IOU也相同，IOU_Loss无法区分两者相交情况的不同。

IOU loss

4. GIoU Loss

GIoU（Generalized Intersection over Union） Loss 是由斯坦福学者发表于2019 CVPR的。

IoU Loss的不足

GIoU Loss

但为什么仅仅说缓解呢？

5. DIoU Loss & CIoU Loss

好的目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比。

针对IOU和GIOU存在的问题，作者从两个方面进行考虑

一：如何最小化预测框和目标框之间的归一化距离？ 二：如何在预测框和目标框重叠时，回归的更准确？

DIoU Loss

但预测框的中心点的位置都是一样的，因此按照DIOU_Loss的计算公式，三者的值都是相同的。

针对这个问题，又提出了CIOU_Loss，不对不说，科学总是在解决问题中，不断进步！！

CIoU Loss

再来综合的看下各个Loss函数的不同点：

IOU_Loss：主要考虑检测框和目标框重叠面积。

GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。

DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。

CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

6. PIoU Loss：倾斜目标检测专用损失函数

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。