本文详细探讨了目标检测中常用的各种损失函数，包括L1、L2、Smooth L1 Loss等，对比了它们的优缺点。同时介绍了Multi-task Loss、Balance L1 Loss以及多种IoU系列Loss，如GIoU、DIoU、CIoU，强调了它们在解决不同问题上的作用，如优化收敛速度和定位准确性。此外，还提到了概率损失和分类损失的改进形式，如Focal Loss及其变体。
文章目录
L1 loss-平均绝对误差(Mean Absolute Error——MAE)
指模型预测值f(x)和真实值y之间距离的均值，公式如下：
优点：无论对于什么样的输入值，都有着稳定的梯度，不会导致梯度爆炸问题，具有较为稳健性的解
缺点：在中心点是折点，不能求导，不方便求解
L2 loss-均方误差（Mean Square Error——MSE）
优点：各点都连续光滑，方便求导，具有较为稳定的解
缺点：不是特别的稳健，因为当函数的输入值距离真实值较远的时候，对应loss值很大在两侧，则使用梯度下降法求解的时候梯度很大
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
