endernewton/tf-faster-rcnn项目研究之四：项目的代码分析（损失函数）

文接上篇。

---

7、损失函数

这是通过_add_losses()函数来实现的。

如原论文所说，faster rcnn包括两个损失：rpn网络损失、rcnn网络的损失，每个损失又包括分类损失和回归损失，所以需要定义一个多任务损失函数(Multi-task Loss Function)，包括Softmax Classification Loss和Bounding Box Regression Loss。分类损失使用的是交叉熵，回归损失使用的是smooth L1 loss。损失函数如下公式定义：

其中：

• i，   表示anchors的索引。
• ，表示positive softmax probability，即anchors的分类概率值。
• ，表示样本的标定值(label)。当第i个anchor与GT间IoU>0.7，认为该anchors是正样本，=1；反之IoU<0.3时，认为该anchors是负样本，=0；至于那些0.3<IoU<0.7的anchors则忽略掉不参与训练。
• ，  表示predict bounding box，该anchor预测的偏移量。
• ，表示anchor相对于GT box实际的偏移量。
• 为两种类别的对数损失(log loss)。

从上面公式能看出损失分为两部分，第一是分类损失，第二是bbox回归损失。

1、分类损失(cls loss)，即rpn_cls_loss层计算的softmax loss，用于将anchor分为正负样本的二分类网络训练。

2、bbox回归损失(reg loss)，即rpn_loss_bbox层计算的soomth L1 loss，用于bounding box regression网络训