目标检测之回归损失计量方法

         目标检测主要完成“what”和“where”任务，即识别一张图像的哪些位置有哪些目标，通常的模型损失包含两部分：分类损失（classification loss）和回归损失（bounding box regression loss）。其中分类损失函数完成分类任务，常用交叉熵作为loss，在图像分类任务中已经达到了较好的效果，目标检测领域在构建损失模型时更多的关注于回归损失，即解决“where”的问题。

回归损失之一：smooth L1 loss 

论文地址：Fast R-CNN

          

设为GT的坐标位置， 为预测坐标，定义bounding box loss：

 smooth L1 loss的优点：

• 由于L1loss的导数等于±1，训练后期学习率较小，损失函数更新迟缓，容易在局部波动，难以收敛到更高精度。L2损失训练初期的导数较大，可能会出现梯度爆炸，训练不稳定，smoothL1避免了L2损失的不稳定性，一定程度上缓解了L1损失后期梯度不变的问题；

smooth L1 loss的不足：

• 对bounding box的评价指标为IoU，二者并不等价，优化IoU更直接有效。

回归损失之二：IoU loss 

论文地址：UnitBox: An Advanced Object Detection Network

  

 

  IoU loss的优点：

• 三组框具有相同的L1/L2 Loss,但IoU 同样差异很大说明L1,L2这些Loss用于回归任务时，不能等价于最后用于评测检测的IoU，直接计算IoU loss更加有效

 IoU loss的不足：

• 当预测框和目标框不相交时，IoU(A,B)=0时，不能反映A,B距离的远近，此时损失函数不可导，IoU Loss 无法优化两个框不相交的情况
• 假设预测框和目标框的大小都确定，只要两个框的相交值是确定的，其IoU值是相同时，IoU值不能反映两个框是如何相交的

回归损失之三：GIoU loss 

论文地址：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

 

GIoU loss的优点：

• 具有尺度不变性

GIoU loss的不足：

• 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

回归损失之四：DIoU loss / CIoU loss

论文地址：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

DIoU/CIoU loss的优点：

• 具有尺度不变性
• DIoU Loss可以直接优化2个框直接的距离，比GIoU Loss收敛速度更快
• CIoU的惩罚项是在DIoU的惩罚项基础上加了一个影响因子，这个因子把预测框长宽比拟合目标框的长宽比考虑进去

总结：IoU loss对比：