目標檢測Loss大盤點

↑ 點擊藍字?關注極市平臺

作者丨Augus@知乎

來源丨h(huán)ttps://zhuanlan.zhihu.com/p/235533342

編輯丨極市平臺

極市導讀

?

本文整理了Focal Loss、IOU Loss、GIOU Loss等的多種loss的相關信息，包括公式表示、優(yōu)缺點和相關論文等方面的內容。>>加入極市CV技術交流群，走在計算機視覺的最前沿

L2, L1, smooth L1

表示

smooth L1 loss 相對于 L2 loss的優(yōu)點：

當預測框與 ground truth 差別過大時，梯度值不至于過大；

當預測框與 ground truth 差別很小時，梯度值足夠小。

Focal Loss

動機

在one-stage檢測算法中，會出現(xiàn)正負樣本數(shù)量不平衡以及難易樣本數(shù)量不平衡的情況，為了解決則以問題提出了focal loss。

hit的檢測框就是正樣本。容易的正樣本是指置信度高且hit的檢測框，困難的負樣本就是置信度低但hit的檢測框，容易的負樣本是指未hit且置信度低的檢測框，困難的負樣本指未hit但置信度高的檢測框。

表現(xiàn)形式

目的是解決樣本數(shù)量不平衡的情況 - 正樣本loss增加，負樣本loss減小 - 難樣本loss增加，簡單樣本loss減小

參考配置： ，

IOU loss

本文由曠視提出，發(fā)表于2016 ACM

arxiv2016: UnitBox: An Advanced Object Detection Network

4個坐標點獨立回歸的缺點

通過4個點回歸坐標框的方式是假設4個坐標點是相互獨立的，沒有考慮其相關性，實際4個坐標點具有一定的相關性

不具有尺度不變形

可能存在相同的l1 或 l2 loss（如下圖），但是IOU不唯一。

表示

優(yōu)點

尺度不變性，也就是對尺度不敏感（scale invariant）， 在regression任務中，判斷predict box和gt的距離最直接的指標就是IoU。(滿足非負性；同一性；對稱性；三角不等性)

GIOU Loss

本文由斯坦福學者提出，發(fā)表于CVPR2019

論文鏈接：https://arxiv.org/abs/1902.09630

github鏈接：https://github.com/generalized-iou/g-darknet

IOU缺點

如果兩個框沒有相交，根據(jù)定義，IoU=0，不能反映兩者的距離大?。ㄖ睾隙龋?。同時因為loss=0，沒有梯度回傳，無法進行學習訓練。

IoU無法精確的反映兩者的重合度大小。如下圖所示，三種情況IoU都相等，但看得出來他們的重合度是不一樣的，左邊的圖回歸的效果最好，右邊的最差。

相同的IOU，重合度不同

公式表示

C表示包含兩個框的最小矩形

優(yōu)點

• 尺度不變性
• 邊框相交時，可以反映邊框的相交情況

DIOU Loss

• 天津大學 AAAI 2020
• 論文鏈接：https://arxiv.org/abs/1911.08287
• github鏈接：https://github.com/Zzh-tju/DIoU-darknet

GIOU Loss 的缺點

當目標框完全包裹預測框的時候，IoU和GIoU的值都一樣，此時GIoU退化為IoU, 無法區(qū)分其相對位置關系，如下圖三種情況GIOU loss是完全一致的。

預測框被完全包裹時有相同的GIOU loss

公式表示

其中 表示歐式距離，分子d表示GT框和Inference框中心點距離的平方，分母c表示GT框和Inference框最小外接矩形的對角線距離。

DIOU的優(yōu)點

尺度不變性

相比于GIOU，優(yōu)化距離替換優(yōu)化面積，收斂速度更快。

解決GIOU的缺點：完全包裹預測框時loss一樣的情況。

CIOU Loss

天津大學 AAAI 2020

論文鏈接：https://arxiv.org/abs/1911.08287

github鏈接：https://github.com/Zzh-tju/DIoU-darknet

DIOU的問題

DIOU沒有考慮到檢測框的長寬比。長寬比更接近的邊框應當有更低的loss。

公式表示

參數(shù) 是個trade off的參數(shù)，參數(shù) 用來衡量長寬比一致性。

參考文章

目標檢測中的loss

目標檢測回歸損失函數(shù)簡介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss

5分鐘理解Focal Loss與GHM——解決樣本不平衡利器

推薦閱讀

• PIoU Loss：傾斜目標檢測專用損失函數(shù)，公開超難傾斜目標數(shù)據(jù)集Retail50K丨ECCV 2020 Spotlight
  

• 超詳細的語義分割中的Loss大盤點
  

• 一文理解Ranking Loss/Margin Loss/Triplet Loss
  

添加極市小助手微信（ID : cvmart2），備注：姓名-學校/公司-目標檢測-城市（如：小極-北大-目標檢測-深圳），即可申請加入極市目標檢測等技術交流群：每月大咖直播分享、真實項目需求對接、求職內推、算法競賽、干貨資訊匯總、與?10000+來自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動交流~

△長按添加極市小助手

△長按關注極市平臺，獲取最新CV干貨

覺得有用麻煩給個在看啦~??