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。

相同的IOU，重合度不同

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。

预测框被完全包裹时有相同的GIOU loss

公式表示

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。

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

本文作者：Augus

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