Fast R-CNN损失函数

损失函数

候选框回归原理

那么当bouding box regression工作时，再输入Φ时，回归网络分支的输出就是每个Anchor的平移量和变换尺度 ，显然即可用来修正Anchor位置了。

可以看到其 num_output=36，即经过该卷积输出图像为WxHx36，在caffe blob存储为[1, 4x9, H, W]，这里相当于feature maps每个点都有9个anchors，每个anchors又都有4个用于回归的变换量。

回到图8，VGG输出 50x38x512 的特征，对应设置 50x38xk anchors，而RPN输出：

1. 大小为 50x38x2k 的positive/negative softmax分类特征矩阵
2. 大小为 50x38x4k 的regression坐标回归特征矩阵

恰好满足RPN完成positive/negative分类+bounding box regression坐标回归.

到此为止我们看到了以下的损失：

• 区域生成网络判断是否对象的损失
• 区域生成网络的范围调整参数的损失 (仅针对是对象的范围计算)
• 标签分类网络判断对象所属分类的损失
• 标签分类网络的范围调整参数的损失 (仅针对是对象，并且可能性最大的分类计算)

这些损失可以通过 + 合并