56、城市树木识别的 3D SSD 方法研究

城市树木识别的 3D SSD 方法研究

1. 匹配策略与损失函数

在进行训练时，每次迭代计算损失之前，需要确定 32 × 32 × K 个检测结果中哪些是真正的阳性（True Positives）或假阳性（False Positives）。对于每个真实树木，选择与真实树木的交并比（IoU）大于 0.6 的检测结果作为匹配项，即阳性；同时，为了辅助早期训练，每个真实树木对应的 IoU 最高的检测结果也被计为匹配项。从其他检测结果中，选择与任何真实树木的 IoU 都不大于 0.4 的作为阴性候选。这些参数是通过大量的超参数搜索经验确定的。

损失函数采用了类似相关工作的组合损失函数，整体损失（每个瓦片样本）是目标存在性损失 $L_{obj}$ 和回归损失 $L_{reg}$ 的加权和：
[
L = \alpha \cdot \frac{1}{N_{pos} + N_{neg}} \cdot L_{obj} + \beta \cdot \frac{1}{5 \cdot N_{pos}} \cdot L_{reg}
]
其中，$N_{pos}$ 是阳性检测的数量，$N_{neg}$ 是阴性检测的数量，经验上选择 $\alpha = 1$ 和 $\beta = 3$。

目标存在性损失使用二元交叉熵，对于检测 $i$ 的目标存在性层输出 $x_i$，损失可以表示为：
[
L_{obj} = -p \sum_{i \in Pos} y_i \cdot \log(\sigma(x_i)) - \sum_{i \in Neg} (1 - y_i) \cdot \log(1 - \sigma(x_i))
]
其中，$\si