Centerfusion训练过程中的损失函数初始化以及计算过程

损失函数的定义在src\lib\trainer.py23行左右,首先介绍损失函数的初始化部分
注：损失函数的调用在src\lib\trainer.py 134行

  def _get_losses(self, opt):
    loss_order = ['hm', 'wh', 'reg', 'ltrb', 'hps', 'hm_hp', \
      'hp_offset', 'dep', 'dep_sec', 'dim', 'rot', 'rot_sec',
      'amodel_offset', 'ltrb_amodal', 'tracking', 'nuscenes_att', 'velocity']
    #首先定义最后模型需要回归的头，之后根据这里的头来调用相应的损失函数进行回归
    loss_states = ['tot'] + [k for k in loss_order if k in opt.heads]
    loss = GenericLoss(opt) #这里就是损失函数的调用，都封装在了GenericLoss中
    return loss_states, loss

接下来详细介绍下GenericLoss这个类

class GenericLoss(torch.nn.Module):
  def __init__(self, opt):
    super(GenericLoss, self).__init__()
    self.crit = FastFocalLoss(opt=opt)        #FocalLoss用于之后的分类损失

这里只放了fastfocalloss类的初始化部分，之后在介绍函数具体运算的时候会放上所有的forward函数以及对应需要调用的函数，在该部分对于之后要用到的类也是主要介绍init函数。

class FastFocalLoss(nn.Module):
  '''
  Reimplemented focal loss, exactly the same as the CornerNet version.
  Faster and costs much less memory.
  '''
  def __init__(self, opt=None):
    super(FastFocalLoss, self).__init__()
    self.only_neg_loss = _only_neg_loss   #这里调用了负样本的损失函数 

论文中对于负样本的损失为$(1-Y_{xyz}{)}^{\beta }({\hat{Y}}_{xyz}{)}^{\alpha }\log (1-{\hat{Y}}_{xyz})$，其中$ Y_{xyz}$为groundtruth，$\widehat Y_{xyz}$为预测的标签。下面的函数就是根据这个公式进行编写的。

def _only_neg_loss(pred, gt):
  gt = torch.