目标检测损失函数

前言

目标检测任务有很多损失函数，这里做个记录。方便以后查阅。
更多损失函数见这篇文章 【CV知识点扫盲】|损失函数篇

各种loss的实现可以查看 iscyy/yoloair/utils/loss.py

函数

IOU Loss

$$IOU=\frac{area(pred)\cap area(gt)}{area(pred)\cup area(gt)}$$
缺点: 不相交时IOU loss为0.
$$IOULoss=-ln\frac{pred\cap gt}{pred\cup gt}$$

GIOU Loss

$$GIOU=IOU-\frac{Area-pred\cup gt}{Area}$$
$-1\le$ GIOU Loss $\le$ 1
其中 Area 是能够覆盖住 pred 和 gt 框的最小矩形的面积。
$$GIOULoss=1-GIOU$$

DIOU Loss

$$GIOU=IOU-\frac{distance(pre{d}_{center},g{t}_{center}{)}^2}{c^2}$$
$-1\le$ DIOU $\le$ 1
其中 c 是能够覆盖住 pred 和 gt 框的最小矩形的对角线。
$$GIOULoss=1-GIOU$$

CIOU Loss

三项分别考虑重叠面积，中心点距离，宽高比
$$CIOU=IOU-(\frac{distance(pre{d}_{center},g{t}_{center}{)}^2}{c^2}+\alpha v)$$
$$v=\frac{4}{{\pi }^2}(arctan(\frac{w^{gt}}{h^{gt}})-arctan(\frac{w}{h}))$$
$$\alpha =\frac{v}{1-IOU+v}$$
$$CIOULoss=1-CIOU$$

Focal Loss

$$FL(p_t)=-(1-p_t{)}^{\gamma }log(p_t)$$
$$p_t=\{\begin{array}{ll}p& ify=1\\ 1-p& otherwise\end{array}$$
$(1-p_t{)}^{\gamma }$可以降低易分样本的损失贡献。
3.1 YOLO系列理论合集(YOLOv1~v3)_yolov3 spp _Focal Loss讲解 33:10时刻

有时候实际代码实现中会乘多一个${\alpha }_t$来平衡一下loss的权重($(1-p_t{)}^{\gamma }$)。作为一个超参数。
$$FL(p_t)=-{\alpha }_t(1-p_t{)}^{\gamma }log(p_t)$$

注意，数据集标注要比较准确，不然这些噪声会干扰focal loss下的训练。
并且使用时需要调好参。