YOLOv3的正负样本和损失函数

查了好多资料和程序，其方实现法都不同，解释一下论文中的方法吧：

loss计算

公式不多说了，就说下理解（以下采用均方误差、交叉熵误差只是简单起见，还有些版本选择其他的误差计算，本文重点在正负样本的选择）：

如果某网格的某个边框负责预测该物体（正样本）：

• ​ 对tx ty求均方误差
• ​ 对tw th求均方误差
• ​ 对80类分类结果求二类交叉熵误差
• ​ 对置信度C计算二类交叉熵误差(C期望值=1）

其余不负责预测该物体的边框，且边框和真实值IOU<阈值（背景、负样本）

• 只对置信度C计算二分类交叉熵误差(C期望值=0）

其余既不负责预测物体，且IOU较大的边框不参与loss计算

正负样本

loss计算中，“负责预测目标”（即正样本）和背景（即负样本），以及不参与计算loss的部分是怎么选择的：
正样本的选择：
首先计算目标中心点落在哪个grid上，然后计算这个grid的9个先验框（anchor）和目标真实位置的IOU值（直接计算，不考虑二者的中心位置），取IOU值最大的先验框和目标匹配。于是，找到的 该grid中的 该anchor 负责预测这个目标，其余的网格、anchor都不负责。
负样本的选择：
计算各个先验框和所有的目标ground truth之间的IOU，如果某先验框和图像中所有物体最大的IOU都小于阈值（一般0.5），那么就认为该先验框不含目标，记作负样本，其置信度应当为0
不参与计算部分
这部分虽然不负责预测对象，但IOU较大，可以认为包含了目标的一部分，不可简单当作负样本，所以这部分不参与误差计算。
综上，如下图所示：

然而
看了好几个实现代码，包括ultralytics、eriklindernoren版本，正负样本的划分都不是那么做的。正样本选择和上文都类似，但不是正样本的都归为了负样本，即图中蓝框认为是负样本，置信度=0