文章目录
1 引言
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。
Bounding Box Regression Loss Function的演进路线是:
Smooth L1 Loss –> IoU Loss –> GIoU Loss –> DIoU Loss –> CIoU Loss
本文介绍L1 loss、L2 loss以及Smooth L1 Loss。
2 L1 Loss
- 公式:
当 假设 x 为预测框和真实框之间的数值差异时,公式变为:
L 1 = ∣ x ∣ L_1 = |x|L 1 =∣x ∣
- 导数:
- 特点:
L1 loss在零点处不平滑,学习慢;
L 1 L_1 L 1 损失函数对 x 的导数为常数,训练后期,x 很小时,如果学习率不变,损失函数会在稳定值附近波动,很难收敛到更高的精度。(这句话可能得想一下才能懂)
; 3 L2 Loss
- 公式:
当 假设 x 为预测框和真实框之间的数值差异时,公式变为:
L 1 = x 2 L_1 = x^2 L 1 =x 2
- 导数:
- 特点
L2 loss由于是平方增长,因此学习快。
L 2 L_2 L 2 损失函数对 x 的导数为2x,当 x 很大的时候,导数也很大,使L 2 L_2 L 2 损失 在 总loss 中占据主导位置,进而导致,训练初期不稳定。
4 Smooth L1 Loss
由微软rgb大神在 Fast RCNN论文提出该方法。
- 公式:假设 x 为预测框和真实框之间的数值差异
- 导数:
- 特点:
Smooth L1 Loss 相比L1 loss 改进了零点不平滑问题。
相比于L2 loss,在 x 较大的时候不像 L2 对异常值敏感,是一个缓慢变化的loss。
; 5 曲线对比分析
实际目标检测框回归位置任务中的损失loss为:
三种loss的曲线如下图所示,可以看到Smooth L1相比L1的曲线更加的Smooth。
存在的问题:
- 三种Loss用于计算目标检测的Bounding Box Loss时,独立的求出4个点的Loss,然后进行相加得到最终的Bounding Box Loss,这种做法的假设是4个点是相互独立的,实际是有一定相关性的
- 实际评价框检测的指标是使用IoU,而IoU和Smooth L1是不等价的,多个检测框可能有相同大小的Smooth L1 Loss,但IoU可能差异很大,为了解决这个问题就引入了IoU Loss。
再后面学习参考链接:
https://zhuanlan.zhihu.com/p/104236411
6 参考链接
https://zhuanlan.zhihu.com/p/104236411
https://blog.csdn.net/qq_33278461/article/details/100752896
Original: https://blog.csdn.net/weixin_45377629/article/details/124896752
Author: 寻找永不遗憾
Title: 【Smooth L1 Loss】Smooth L1损失函数理解
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/624326/
转载文章受原作者版权保护。转载请注明原作者出处!