SmoothL1LossLayer论文与代码的结合理解

最新推荐文章于 2025-05-20 10:07:30 发布

ture_dream

最新推荐文章于 2025-05-20 10:07:30 发布

阅读量4.3k

点赞数 2

分类专栏：深度学习

深度学习专栏收录该内容

46 篇文章

订阅专栏

本文详细解析了用于训练区域提议网络(RPN)的损失函数，包括正负样本选择标准及Smooth L1 Loss的GPU实现代码。该损失函数适用于处理边界框回归任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

A Loss Function for Learning Region Proposals

训练RPN时，只对两种anchor给予正标签：和gt_box有着最高的IoU && IoU超过0.7。如果对于

所有的gt_box，其IoU都小于0.3，则标记为负。损失函数定义如下：

其中i为一个mini-batch中某anchor的索引，p_i表示其为目标的预测概率,p_i*表示gt_box（正为1，否则为0）。

t_i和t_i*分别表示预测框的位置和gt_box框的位置。L_reg如下：

bound-box regression中各参数的计算方式为：

（4）

其对应的SmoothL1LossLayer代码如下，整个过程分为两部分：前向计算以及后向计算（1）式的后半部分：

// ------------------------------------------------------------------  
// Fast R-CNN  
// Copyright (c) 2015 Microsoft  
// Licensed under The MIT License [see fast-rcnn/LICENSE for details]  
// Written by Ross Girshick  
// ------------------------------------------------------------------  
  
#include "caffe/fast_rcnn_layers.hpp"  
  
namespace caffe {  
//SmoothL1前向计算（3）式  
template <typename Dtype>  
__global__ void SmoothL1Forward(const int n, const Dtype* in, Dtype* out,  
    Dtype sigma2) {  
  // f(x) = 0.5 * (sigma * x)^2          if |x| < 1 / sigma / sigma  
  //        |x| - 0.5 / sigma / sigma    otherwise  
  CUDA_KERNEL_LOOP(index, n) {  
    Dtype val = in[index];  
    Dtype abs_val = abs(val);  
    if (abs_val < 1.0 / sigma2) {  
      out[index] = 0.5 * val * val * sigma2;  
    } else {  
      out[index] = abs_val - 0.5 / sigma2;  
    }  
  }  
}  
//  
template <typename Dtype>  
void SmoothL1LossLayer<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom,  
    const vector<Blob<Dtype>*>& top) {  
  int count = bottom[0]->count();  
  caffe_gpu_sub(  
      count,  
      bottom[0]->gpu_data(),  //t_i
      bottom[1]->gpu_data(),  //t_i*
      diff_.mutable_gpu_data());    // d := t_i-t_i^*  
  if (has_weights_) {  //乘上相关的权重，对应于（1）式中的p_i*,有目标时为1
    // apply "inside" weights  
    caffe_gpu_mul(  
        count,  
        bottom[2]->gpu_data(), //p_i* 
        diff_.gpu_data(),  
        diff_.mutable_gpu_data());  // d := w_in * (b0 - b1)  
  }  
  //代入计算SmoothL1
  SmoothL1Forward<Dtype><<<CAFFE_GET_BLOCKS(count), CAFFE_CUDA_NUM_THREADS>>>(  
      count, diff_.gpu_data(), errors_.mutable_gpu_data(), sigma2_);  
  CUDA_POST_KERNEL_CHECK;  
  
  if (has_weights_) {  //乘上相关的权重
    // apply "outside" weights  
    caffe_gpu_mul(  
        count,  
        bottom[3]->gpu_data(), // 1/N_reg 
        errors_.gpu_data(),  
        errors_.mutable_gpu_data());  // d := w_out * SmoothL1(w_in * (b0 - b1))  
  }  
  
  Dtype loss;  
  caffe_gpu_dot(count, ones_.gpu_data(), errors_.gpu_data(), &loss);  
  top[0]->mutable_cpu_data()[0] = loss / bottom[0]->num();  
}  
//反向计算，对smoothLoss求导  
template <typename Dtype>  
__global__ void SmoothL1Backward(const int n, const Dtype* in, Dtype* out,  
    Dtype sigma2) {  
  // f'(x) = sigma * sigma * x         if |x| < 1 / sigma / sigma  
  //       = sign(x)                   otherwise  
  CUDA_KERNEL_LOOP(index, n) {  
    Dtype val = in[index];  
    Dtype abs_val = abs(val);  
    if (abs_val < 1.0 / sigma2) {  
      out[index] = sigma2 * val;  
    } else {  
      out[index] = (Dtype(0) < val) - (val < Dtype(0));  
    }  
  }  
}  
//  
template <typename Dtype>  
void SmoothL1LossLayer<Dtype>::Backward_gpu(const vector<Blob<Dtype>*>& top,  
    const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {  
  // after forwards, diff_ holds w_in * (b0 - b1)  
  int count = diff_.count();  
  //调用反向smoothloss，diff_.gpu_data()表示x，diff_.mutable_gpu_data()表示smoothloss的导数
  SmoothL1Backward<Dtype><<<CAFFE_GET_BLOCKS(count), CAFFE_CUDA_NUM_THREADS>>>(  
      count, diff_.gpu_data(), diff_.mutable_gpu_data(), sigma2_);  
  
  //类似于前向
  CUDA_POST_KERNEL_CHECK;  
  for (int i = 0; i < 2; ++i) {  
    if (propagate_down[i]) {  
      const Dtype sign = (i == 0) ? 1 : -1;  
      const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();  
      caffe_gpu_axpby(  
          count,                           // count  
          alpha,                           // alpha  
          diff_.gpu_data(),                // x  
          Dtype(0),                        // beta  
          bottom[i]->mutable_gpu_diff());  // y  
      if (has_weights_) {  
        // Scale by "inside" weight  
        caffe_gpu_mul(  
            count,  
            bottom[2]->gpu_data(),  
            bottom[i]->gpu_diff(),  
            bottom[i]->mutable_gpu_diff());  
        // Scale by "outside" weight  
        caffe_gpu_mul(  
            count,  
            bottom[3]->gpu_data(),  
            bottom[i]->gpu_diff(),  
            bottom[i]->mutable_gpu_diff());  
      }  
    }  
  }  
}  
  
INSTANTIATE_LAYER_GPU_FUNCS(SmoothL1LossLayer);  
  
}  // namespace caffe