目标检测-损失函数Loss

前言

目标检测一直是计算机视觉中最基本的问题之一，它包括目标分类和目标定位两个子任务。 当前最先进的二阶段目标检测器(例如，Cascade R-CNN，MASk R-CNN和Dynamic R-CNN)依赖于边bbox回归(BBR)模块来定位对象；对于单阶段目标检测器（例如，YOLO，SSD）则依靠BBR来定位。

所以说，一个设计良好的损失函数对BBR的成功至关重要。到目前为止，BBR的损失函数主要分为两类:

范数损失函数

通过边框点来计算，比较多得是L1范数，例如：

• SmoothL1 loss
• Dynamic SmoothL1 Loss
• BalanceL1 loss
  假定Bbox(x, y, w, h)四个变量是独立的，实际不是，故引入IOU损失

IOU损失函数

通过交并面积计算，例如：

• IOU loss
• GIOU loss（Generalized IOU ）
• CIOU loss （Complete IOU）
• DIOU loss（Distance IOU ）
• Pixels IOU
• EIOU loss

损失函数怎么来的，由我们需要的性质反推而来，比如我们需要：

1. 当回归误差趋近于零时，梯度的大小应该有一个零的极限。

2. 在回归误差较小的区域，梯度幅度应迅速增大，在回归误差较大的区域，梯度幅度应逐渐减小。

3. 为了灵活地控制低质量实例的抑制程度，需要设置超参数。

4. 对于不同的超参数值，梯度函数族应该有一个归一化尺度，例如(0,1)，这有助于在高质量和低质量示例之间进行平衡。

IOU loss （2016）

论文：Unitbox: An advanced object detection network

• 优点：

该方法具有非负性、对称性、三角形不等式和尺度不敏感性等优点

• 缺点：

1. 如果两个方框没有任何交集，则IOU损失将始终为零，不能正确反映两个方框之间的紧密程度。

2. 损失的收敛速度较慢

实现代码：

import numpy as np
def Iou(box1, box2, wh=False):
    if wh == False:
	xmin1, ymin1, xmax1, ymax1 = box1
	xmin2, ymin2, xmax2, ymax2 = box2
    else:
	xmin1, ymin1 = int(box1[0]-box1[2]/2.0), int(box1[1]-box1[3]/2.0)
	xmax1, ymax1 = int(box1[0]+box1[2]/2.0), int(box1[1]+box1[3]/2.0)
	xmin2, ymin2 = int(box2[0]-box2[2]/2.0), int(box2[1]-box2[3]/2.0)
	xmax2, ymax2 = int(box2[0]+box2[2]/2.0), int(box2[1]+box2[3]/2.0)
    # 获取矩形框交集对应的左上角和右下角的坐标（intersection）
    xx1 = np.max([xmin1, xmin2])
    yy1 = np.max([ymin1, ymin2])
    xx2 = np.min([xmax1, xmax2])
    yy2 = np.min([ymax1, ymax2])	
    # 计算两个矩形框面积
    area1 = (xmax1-xmin1) * (ymax1-ymin1) 
    area2 = (xmax2-xmin2) * (ymax2-ymin2)
    inter_area = (np.max([0, xx2-xx1])) * (np.max([0, yy2-yy1]))　#计算交集面积
    iou = inter_area / (area1+area2-inter_area+1e-6)