目标检测损失函数Loss大盘点

会员服务 ·

目标检测损失函数Loss大盘点

2020 年 9 月 21 日 CVer

点击上方“CVer”，选择加"星标"置顶

重磅干货，第一时间送达

本文作者：Augus

https://zhuanlan.zhihu.com/p/235533342

本文已由原作者授权，不得擅自二次转载

L2, L1, smooth L1

表示

L2 loss, L1 loss, Smooth L1 loss

smooth L1 loss 相对于 L2 loss的优点：

当预测框与 ground truth 差别过大时，梯度值不至于过大；
当预测框与 ground truth 差别很小时，梯度值足够小。

Focal Loss

动机

在one-stage检测算法中，会出现正负样本数量不平衡以及难易样本数量不平衡的情况，为了解决则以问题提出了focal loss。

hit的检测框就是正样本。容易的正样本是指置信度高且hit的检测框，困难的负样本就是置信度低但hit的检测框，容易的负样本是指未hit且置信度低的检测框，困难的负样本指未hit但置信度高的检测框。

表现形式

目的是解决样本数量不平衡的情况 - 正样本loss增加，负样本loss减小 - 难样本loss增加，简单样本loss减小

参考配置：，

IoU loss

本文由旷视提出，发表于2016 ACM

UnitBox: An Advanced Object Detection Network

4个坐标点独立回归的缺点

通过4个点回归坐标框的方式是假设4个坐标点是相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性
不具有尺度不变形
可能存在相同的l1 或 l2 loss（如下图），但是IOU不唯一。

相同的L1 loss和L2 loss，但是IOU不同

表示

优点

尺度不变性，也就是对尺度不敏感（scale invariant），在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性)

GIOU Loss

本文由斯坦福学者提出，发表于CVPR2019
论文：arxiv.org/abs/1902.09630
https://github.com/generalized-iou/g-darknet

IOU缺点

如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。
IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。

公式表示

C表示包含两个框的最小矩形

优点

尺度不变性
边框相交时，可以反映边框的相交情况

DIOU Loss

天津大学 AAAI 2020
论文：arxiv.org/abs/1911.08287
https://github.com/Zzh-tju/DIoU-darknet

GIOU Loss 的缺点

当目标框完全包裹预测框的时候，IoU和GIoU的值都一样，此时GIoU退化为IoU, 无法区分其相对位置关系，如下图三种情况GIOU loss是完全一致的。

公式表示

其中表示欧式距离，分子d表示GT框和Inference框中心点距离的平方，分母c表示GT框和Inference框最小外接矩形的对角线距离。

公式中分子d和分母c的说明

DIOU的优点

尺度不变性
相比于GIOU，优化距离替换优化面积，收敛速度更快。
解决GIOU的缺点：完全包裹预测框时loss一样的情况

CIOU Loss

天津大学 AAAI 2020
论文：arxiv.org/abs/1911.08287
https://github.com/Zzh-tju/DIoU-darknet

DIOU的问题

DIOU没有考虑到检测框的长宽比。长宽比更接近的边框应当有更低的loss。

公式表示

参数是个trade off的参数，参数用来衡量长宽比一致性

参考文章

1. https://zhuanlan.zhihu.com/p/101303119

2. https://zhuanlan.zhihu.com/p/104236411

3. https://zhuanlan.zhihu.com/p/80594704

资料下载

在CVer公众号后台回复：目标检测二十年，即可下载39页的目标检测最全综述，共计411篇参考文献。

下载2

后台回复：CVPR2020，即可下载代码开源的论文合集

后台回复：ECCV2020，即可下载代码开源的论文合集

后台回复：YOLO，即可下载YOLOv4论文和代码

重磅！CVer-目标检测 微信交流群已成立

扫码添加CVer助手，可申请加入CVer-目标检测 微信交流群，目前已汇集4100人！涵盖2D/3D目标检测、小目标检测、遥感目标检测等。互相交流，一起进步！

同时也可申请加入CVer大群和细分方向技术群，细分方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。

一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群