關于Yet-Another-EfficientDet-Pytorch 的輸出，loss分析

連結: https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch.

features, regressions, classifications, anchors = model(imgs)
           

第一個輸出features，

代入第二，三，四個輸出相關的函數中，相當于第二階網絡，

得到第二，三，四個輸出

regressions= self.regressor(features)
classifications= self.classifer(features)
anchors = self.anchors (imgs)
           

一.

其中features沒有用在loss 函數裡，同時features是efficientdet骨幹網絡（主網絡）輸出的feature

但features合并了3個level層的feature

二.

regressions 是features 作為輸入的一個網絡（第二階網絡）的輸出，相當于做卷積運算

（每層都輸出 [x,y,height,width]，3層合并），

shape (batch_size, 10000+ ,4)

三.

classification 是features 作為輸入的一個網絡（第二階網絡）的輸出，相當于做卷積運算

（每層都輸出 [one-hot] 類别的矩陣，3層合并）

shape (batch_size, 10000+ ,num_class)

bce = -(targets * torch.log(classification) + (1.0 - targets) * torch.log(1.0 - classification))
cls_loss = focal_weight * bce
           

分類損失，用的是binary-cross-entropy loss，并且前置系數（focalloss）

計算過程（個人觀點）：

1.如80分類，每一類:是與不是的機率求log，并于target系數相乘（target系數隻有0,1兩種情況），

2.得到一個長度80的輸出，和focal_weight 系數相乘（focal_weight可檢視focalloss相關講解，論文。我的了解是，不同類别根據識别的難易程度，設定不同權重）

3.最終的長度80的輸出，求均值或求和，得到分類損失

四.

anchors 用于 和target的标注的聯合計算，進行自适應變換，

變換成對應regressions 的尺寸大小（對應3個level）的 size，

好跟regressions 計算求loss（focalloss。。。帶系數的cross entropy loss），得到邊框回歸損失

shape (batch_size, 10000+ ,4)