文章目錄
- 前言
- 1、L1/L2 loss
- 2、Smooth L1 loss
- 3、IOU loss
- 4、GIOU loss
- 5、DIOU loss
- 6、CIOU loss
- 7、EIOU loss
- 8、總結
前言
聲明:轉載它處,稍作總結
1、L1/L2 loss
定義如下:
缺點:
- L1 loss對x倒數為常數,x是真實值與标簽值的差,那麼無論是訓練前期還是後期,提供的梯度都一樣,在訓練後期由于梯度原因損失函數波動較大,難以達到更好的收斂效果。
- L2 loss對x的求導與x的大小正比,當x較大時,倒數很大,訓練初期不穩定。
2、Smooth L1 loss
針對L1、L2 loss的缺點,綜合了兩者得到smooth L1。
定義如下:
當x的絕對值在1之内(小),取L2 loss;x絕對值大于1時,取L1 loss。位置損失函數如下:
其中v是bbox的真實值,t表示預測值。
缺點:
- L1、L2、Smooth L1計算邊界框損失時,獨立求出4個值的loss然後相加,而評判位置準确性的名額是IOU,IOU與Smooth L1 loss的計算方式不比對。
3、IOU loss
針對Smooth L1 loss的缺點,引入了x、y、w、h的關聯性,同時具備尺度不變性。
定義如下:
或者
缺點:
- 當IOU為0時,不能反映預測框和真實框的距離,順勢函數不可導,即IOU loss無法優化兩個框不相交的情況。
- IOU不能反映兩個框是如何相交的,如下圖:
4、GIOU loss
針對IOU loss隻關注重疊區域,不能反映相交情況,GIOU loss不僅關注重疊區域,還關注非重疊區域。
定義如下:
其中C為A和B的外接矩形,GIOU的取值範圍是[-1,1],兩個框重合取1,無限遠取-1,GIOU loss範圍[0,2]。
缺點:
- 當目标框完全包裹預測框時,IOU與GIOU的值一樣,此時GIOU退化為IOU,無法反映具體預測框和真實框的具體位置關系,如下圖:
5、DIOU loss
針對IOU和GIOU的缺點,DIOU将兩個要素融入邊界框回歸,重疊面積、中心點距離,并将它們融入到懲罰項中。
定義如下:
缺點:
- DIOU沒有包含長寬比因素。
6、CIOU loss
針對DIOU沒有考慮長寬比因素,CIOU在DIOU的基礎上将長寬比因素融入懲罰項。
定義如下:
其中v用于衡量長寬比的一緻性, α \alpha α用于平衡v的大小,表達式如下:
最後,得到CIOU loss的表達式:
缺點:
- v太複雜,減緩了收斂速度。
- 從上看出v對w和v對h符号相反,那麼優化意義相反。
7、EIOU loss
針對CIOU中v太複雜的問題,
定義如下:
8、總結
在選用邊界框回歸函數時,要根據具體情況考慮;同時更好的損失函數應該與nms等子產品配合起來使用。