目标检测Loss大盘点

极市平台

共 2237字,需浏览 5分钟

 ·

2020-09-27 08:49

↑ 点击蓝字 关注极市平台

作者丨Augus@知乎
来源丨https://zhuanlan.zhihu.com/p/235533342
编辑丨极市平台

极市导读

 

本文整理了Focal Loss、IOU Loss、GIOU Loss等的多种loss的相关信息,包括公式表示、优缺点和相关论文等方面的内容。>>加入极市CV技术交流群,走在计算机视觉的最前沿


L2, L1, smooth L1

表示
smooth L1 loss 相对于 L2 loss的优点
当预测框与 ground truth 差别过大时,梯度值不至于过大;
当预测框与 ground truth 差别很小时,梯度值足够小。

Focal Loss

动机
在one-stage检测算法中,会出现正负样本数量不平衡以及难易样本数量不平衡的情况,为了解决则以问题提出了focal loss。
hit的检测框就是正样本。容易的正样本是指置信度高且hit的检测框,困难的负样本就是置信度低但hit的检测框,容易的负样本是指未hit且置信度低的检测框,困难的负样本指未hit但置信度高的检测框。

表现形式
目的是解决样本数量不平衡的情况 - 正样本loss增加,负样本loss减小 - 难样本loss增加,简单样本loss减小
参考配置:

IOU loss

本文由旷视提出,发表于2016 ACM
arxiv2016: UnitBox: An Advanced Object Detection Network
4个坐标点独立回归的缺点
通过4个点回归坐标框的方式是假设4个坐标点是相互独立的,没有考虑其相关性,实际4个坐标点具有一定的相关性
不具有尺度不变形
可能存在相同的l1 或 l2 loss(如下图),但是IOU不唯一。
表示
优点
尺度不变性,也就是对尺度不敏感(scale invariant), 在regression任务中,判断predict box和gt的距离最直接的指标就是IoU。(满足非负性;同一性;对称性;三角不等性)

GIOU Loss

本文由斯坦福学者提出,发表于CVPR2019
论文链接:https://arxiv.org/abs/1902.09630
github链接:https://github.com/generalized-iou/g-darknet
IOU缺点
如果两个框没有相交,根据定义,IoU=0,不能反映两者的距离大小(重合度)。同时因为loss=0,没有梯度回传,无法进行学习训练。
IoU无法精确的反映两者的重合度大小。如下图所示,三种情况IoU都相等,但看得出来他们的重合度是不一样的,左边的图回归的效果最好,右边的最差。
相同的IOU,重合度不同
公式表示
C表示包含两个框的最小矩形
优点
  • 尺度不变性
  • 边框相交时,可以反映边框的相交情况

DIOU Loss

  • 天津大学 AAAI 2020
  • 论文链接:https://arxiv.org/abs/1911.08287
  • github链接:https://github.com/Zzh-tju/DIoU-darknet
GIOU Loss 的缺点
当目标框完全包裹预测框的时候,IoU和GIoU的值都一样,此时GIoU退化为IoU, 无法区分其相对位置关系,如下图三种情况GIOU loss是完全一致的。
预测框被完全包裹时有相同的GIOU loss
公式表示
其中 表示欧式距离,分子d表示GT框和Inference框中心点距离的平方,分母c表示GT框和Inference框最小外接矩形的对角线距离。
DIOU的优点
尺度不变性
相比于GIOU,优化距离替换优化面积,收敛速度更快。
解决GIOU的缺点:完全包裹预测框时loss一样的情况。

CIOU Loss

天津大学 AAAI 2020
论文链接:https://arxiv.org/abs/1911.08287
github链接:https://github.com/Zzh-tju/DIoU-darknet
DIOU的问题
DIOU没有考虑到检测框的长宽比。长宽比更接近的边框应当有更低的loss。
公式表示

参数 是个trade off的参数,参数 用来衡量长宽比一致性。
参考文章
目标检测中的loss
目标检测回归损失函数简介:SmoothL1/IoU/GIoU/DIoU/CIoU Loss
5分钟理解Focal Loss与GHM——解决样本不平衡利器


推荐阅读


添加极市小助手微信(ID : cvmart2),备注:姓名-学校/公司-目标检测-城市(如:小极-北大-目标检测-深圳),即可申请加入极市目标检测等技术交流群:月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~

△长按添加极市小助手

△长按关注极市平台,获取最新CV干货

觉得有用麻烦给个在看啦~  
浏览 48
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报