SSD系列3——损失计算

原创 已于 2023-05-10 16:46:26 修改 · 898 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #目标检测 #深度学习

于 2023-05-10 16:42:13 首次发布
文章详细介绍了SSD（SingleShotMultiBoxDetector）在目标检测中的损失计算过程，包括如何确定正负样本标签，基于IoU的阈值策略，定位损失的计算采用smoothL1损失函数，以及难样本挖掘策略，确保训练过程中样本的平衡。同时，文章提到了类别损失是通过交叉熵损失函数来计算的，正负样本均参与其中。

SSD系列：
SSD系列1——网络结构
SSD系列2——PriorBox
SSD系列3——损失计算

一、确定正、负样本标签

  损失计算的第一步是对所有的PriorBox赋予正、负样本的标签，并确定对应的真实物体标签。

  在SSD的PriorBox生成过程中，一共生成了8732个PriorBox坐标以及对应的类别、位置预测值，接下来就要为每一个PriorBox贴标签，筛选出符合条件的正样本和负样本，依据是通过预测值与真值之间的IoU值来判断：

  • 在判断正、负样本时，IoU阈值设置为0.5，即一个PriorBox与所有真实框的最大IoU小于0.5时，判断该框为负样本。
  • 判断对应关系时，将PriorBox与其拥有最大IoU的真实框作为其位置坐标。
  • 与真实框有最大IoU的PriorBox，即使该IoU不是此PriorBox与所有真实框IoU中最大的IoU，也要将该Box对应到真实框上，这是为了保证真实框的Recall。
  • 在预测边框位置时，SSD与Faster RCNN相同，都是预测相对于预测框的偏移量，因此在求得对应关系后，还需要进行偏移量的计算，公式参考Faster RCNN系列2——RPN的真值与预测值概述

最低0.47元/天 解锁文章
PyTorch深度学习实战（5）——计算机视觉基础
盼小辉丶的博客
07-12 1万+
利用神经网络进行图像分析能够自动学习特征、处理非线性关系、具有鲁棒性和泛化能力，并且支持端到端学习和可扩展性，这使其成为当今计算机视觉领域的主要技术手段之一。本节介绍了计算机视觉的基本概念以及图像在计算机中的表示方法，为计算机视觉的高级任务奠定了基础。
ssd loss详解
无左无右的博客
06-17 2835
本文同步更新在博客园： https://www.cnblogs.com/yanghailin/p/14882807.html SSD的损失函数与region proposal方法有个明显的区别，在于SSD并不是针对所有的检测器计算loss。SSD会用一种匹配策略给每个检测器分配一个真实标签(背景为0，前景为对应的物体类别)。指定的标签为前景的预测器称为正样本(正样本全部计算loss)。标签为背景的预测器是负样本，并不是所有的负样本都用来计算loss(原因是每张图片中负样本的数量远远多于正样本，如果全部计算l
ssd 详解
lqql2012的博客
05-11 7827
1.1.1 网络结构 ssd的基础网络和vgg16是一样的不过全连接层换成了conv6+relu+conv7+relu.其后的层称为extra layer以得到更多不同尺寸的feature map. 并且对网络中conv4_3, conv7,conv8_2,conv9_2,conv10_2,conv11_2这六个layer的feature map再做卷积,得到类别和位置信息. 具体操作为：分别用2组3 x 3的卷积核去做卷积,一个负责预测类别,一个负责预测位置.卷积核的个数分别为boxnum x cl
损失函数：Focal Loss
那年聪聪
02-08 1万+
Focal Loss解决两个问题：1> 正负样本不平衡; 2>easy和hard examples不平衡问题。
正负样本的定义、划分以及用于loss的计算的过程
a699669的博客
01-21 2万+
正负样本定义 什么是正负样本？事实上，在目标检测领域正负样本的定义策略是不断变化的。正负样本是在训练过程中计算损失用的，而在预测过程和验证过程是没有这个概念的。许多人在看相关目标检测的论文时，常常误以为正样本就是我们手动标注的GT，其实不然。首先，正样本是待检测的目标，比如检测人脸时，人脸是正样本，非人脸则是负样本，比如旁边的树呀花呀之类的其他东西；其次，正负样本都是针对于算法经过处理生成的框（如：计算宽高比、交并比、样本扩充等）而言，而非原始的GT数据。 文章目录正负样本定义正负样本不平衡-引自[Foca
YOLOv3的正负样本和损失函数
不知语冰
05-29 1万+
yolov3论文并没有给出损失函数，查了好多资料和程序，其方法都不同，先说一下我觉得比较正确的一种方式吧： loss计算 公式不多说了，就说下理解（以下采用均方误差、交叉熵误差只是简单起见，还有些版本选择其他的误差计算，本文重点在正负样本的选择）： 如果某网格的某个边框负责预测该物体（正样本）： ​ 对tx ty求均方误差 ​ 对tw th求均方误差 ​ 对80类分类结果求二类交叉熵误差 ​ 对置信度C计算二类交叉熵误差(C期望值=1） 某网格的某些边框不负责预测该物体，且Anchor和真实值
SSD系列1——网络结构
python_plus的博客
05-10 1870
本文讲解了SSD网络的结构，参考《深度学习之Pytorch物体检测实战》
SSD300——Tensorflow
09-30
- 训练脚本：用于训练SSD300模型的Python代码，可能包括数据加载、模型构建、优化器设置、损失计算和模型保存等。 - 模型配置文件：定义了SSD300的具体结构，如特征图的数量、默认框的设置等。 - 数据集：可能包括...
人工智能（11）——————计算机视觉
最新发布
2301_79704829的博客
11-10 1385
计算机视觉是研究如何使计算机具备理解和解释图像或视频的能力的一门学科。它借鉴了人类视觉系统的原理和方法，通过算法和模型来处理和分析图像数据，从而实现图像识别、目标检测、图像生成等任务。 在计算机视觉中，主要的任务包括图像分类、目标检测、语义分割、实例分割等。 图像分类是将输入的图像分为不同的类别，常用的方法包括卷积神经网络（CNN）和深度学习模型。 目标检测是在图像中定位并识别出多个不同的目标，常用的方法包括基于区域的CNN（R-CNN）、单步目标检测（YOLO）等。
YOLO-----关于正负样本、Loss、IOU、怎样去平衡正负样本的问题？
Cai_Xu_Kun的博客
04-15 1万+
关于正负样本、Loss、IOU、怎样去平衡正负样本的问题 1、关于正负样本2、Loss计算3、IOU、GIOU、DIOU、CIOU4、怎样去平衡正负样本的问题？ 先整理一下anchor的概念 常用的anchor定义 ----Faster R-CNN 定义三组纵横比ratio = [0.5,1,2]和三种尺度scale = [8,16,32]，可以组合处9种不同的形状和大小的边框。 ----YOLO则不是使用预设的纵横比和尺度的组合，而是使用k-means聚类的方法，从训练集中学习得到不同的Anchor yo
yolov3总结
qq_37516798的博客
07-15 189
1.计算质量估计时正负样本的判定， 正样本：当一个格子里面有gt中心点，该格子中先验框与gt的iou最大的box为正样本 忽略样本：除了正样本外，与gt的iou>0.5的框均不计算损失，忽略 负样本：剩下的框均为负样本，包括大部分没有gt中心点落在的格子上的框（有部分iou>0.5被忽略），以及一些有gt中心的框（但是与gt的iou<0.5） 2.对于分类损失和边框损失，只有正样本才参与计算loss,而质量损失是正负样本均参与 ...
目标检测中如何定义正负样本，和正负样本在学习过程中loss计算起的作用
是否龍磊磊真的一无所有的博客
08-27 1万+
如何定义正负样本，和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本（loss如何计算）正负样本在分类中loss计算的处理正样本在bbox 回归中的loss计算 在目标检测中，经常说起正负样本。本文仔细说一下，如何定义正负样本；定义正负样本之后，在loss计算中，正负样本分别参与到classification head和regression head中，是如何使用正负样本信息进行监督学习的。loss如何从正负样本中，直接得到这两类样本对不同任务的损失函数和
Faster RCNN网络源码解读（Ⅹ） --- FastRCNN部分正负样本采样及FastRCNN部分损失计算
qq_41694024的博客
01-02 880
FastRCNN部分正负样本采样及FastRCNN部分损失计算
目标检测yolov3的损失计算中的正负样本（锚框）选择代码解析（只供参考）
互相学习的小博客
02-18 1815
目标检测yolov3的损失计算中的正负样本（锚框）选择代码解析（只供参考）
SimCSE构造正负样本对与损失
algorithm learning blog
09-13 1482
SimCSE构造正负样本对与损失
SSD网络解析之PriorBox层
qq_21368481的博客
08-19 1万+
SSD网络中的PriorBox层用于部署特征图中每个位置（像素点）处的默认框（即计算每个默认框相对于网络输入层输入图像的归一化左上角和右下角坐标以及设置的坐标variance值） 默认框的具体设置，我们需要先看一下原论文中的2.2节部分。 ①英文部分如下： Choosing scales and aspect ratios for default boxes To handle differ...
目标检测：SSD之损失函数的改进
AlphaHolo的博客
07-22 1万+
SSD 的损失函数改进 以下改进已经实现在github中： https://github.com/BOBrown/SSD-Centerloss （1）centerl loss改进 centerloss的理解请参考博文 https://blog.youkuaiyun.com/zbzb1000/article/details/81001546 传统SSD目标检测算法是对每一个default生成一个4维的l...
SSD算法详解default box
热门推荐
BigCowPeking
10-08 3万+
SSD算法详解default box
SSD算法priorbox的理解
xddwz的博客
06-15 1848
之前看了很多SSD的博客，关于prior box的地方大部分都是照着论文翻译了一下，但是实际的代码中并不是完全按照论文的，特此记录一下自己的理解。 SSD的大致流程： 输入一幅图片（300x300），将其输入到预训练好的分类网络（改进的传统的VGG16 网络）中来获得不同大小的特征映射； 抽取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的feature map，然后分别在这些feature map层上面的每一个点构造6个不同尺度大小的Defaul
基于PyTorch的SSD目标检测实现
从标签“pytorch ssd 资源”可以推断出，该压缩包属于开源社区共享的技术资料集合，可能包含完整的模型定义、训练脚本、预处理流程、损失函数实现、评估指标计算以及示例配置文件等关键组件。这类资源对于初学者而言...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

晓shuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值