CV-目标检测 学习打卡 Day03--损失函数

CV-目标检测 学习打卡 Day03–损失函数
学习内容链接:http://datawhale.club/t/topic/499
从本次学习中，首先对于基本概念有了一些系统的理解，条例更加清晰。感谢各位助教及队长。

一、匹配策略
原则1：由人工标记出的样本出发，将先验框与之匹配。
原则2：由先验框出发，将未配对的先验框与真样本进行配对。

图3-28显示的顺序为，先将目标框与先验框进行配对，记录数值，比较得出某一先验框得分最高的目标框；面对某一目标框，找出得分最高的先验框。两者配对。

二、损失函数
损失函数分为定位损失（location loss/位置回归）和置信度损失（confidence loss）

三、难例挖掘策略(hard negative mining)
为了减少负样本先验框大于正样本先验框数量，导致的网络在训练中过于重视负样本。依据置信度损失对负样本先验框进行排序，只挑选分数最高的进行训练，从而减少了负样本数量。
得分最高的负样本先验框称为困难负样本,容易被网络预测为正样本的proposal，即假阳性(false positive)，如roi里有二分之一个目标时，虽然它仍是负样本，却容易被判断为正样本，这块roi即为hard negative，因为它相当于一个错题集,训练hard negative对提升网络的分类性能具有极大帮助;roi里没有物体，全是背景，这时候分类器很容易正确分类成背景，这个就叫easy negative