4.5 目标检测YOLO-V3算法--损失函数(百度架构师手把手带你零基础实践深度学习原版笔记系列)

4.5 目标检测YOLO-V3算法--损失函数(百度架构师手把手带你零基础实践深度学习原版笔记系列)

 

 

损失函数

上面从概念上将输出特征图上的像素点与预测框关联起来了，那么要对神经网络进行求解，还必须从数学上将网络输出和预测框关联起来，也就是要建立起损失函数跟网络输出之间的关系。下面讨论如何建立起YOLO-V3的损失函数。

对于每个预测框，YOLO-V3模型会建立三种类型的损失函数：

• 表征是否包含目标物体的损失函数，通过pred_objectness和label_objectness计算。

    loss_obj = fluid.layers.sigmoid_cross_entropy_with_logits(pred_objectness, label_objectness)
  

• 表征物体位置的损失函数，通过pred_location和label_location计算。

    pred_location_x = pred_location[:, :, 0, :, :]
    pred_location_y = pred_location[:, :, 1, :, :]
    pred_location_w = pred_location[:, :, 2, :, :]
    pred_location_h = pred_location[:, :, 3, :, :]
    loss_location_x = fluid.layers.sigmoid_cross_entropy_with_logits(pred_location_x, label_location_x)
    loss_location_y = fluid.layers.sigmoid_cross_entropy_with_logits(pred_location_y, label_location_y)
    loss_location_w = fluid.layers.abs(pred_location_w - label_location_w)
    loss_location_h = fluid.layers.abs(pred_location_h - label_location_h)
    loss_location = loss_location_x + loss_location_y + loss_location_w + loss_location_h
  

• 表征物体类别的损失函数，通过pred_classification和label_classification计算。

    loss_obj = fluid.layers.sigmoid_cross_entropy_with_logits(pred_classification, label_classification)
  

我们已经知道怎么计算这些预测值和标签了，但是遗留了一个小问题，就是没有标注出哪些锚框的objectness为-1。为了完成这一步，我们需要计算出所有预测框跟真实框之间的IoU，然后把那些IoU大于阈值的真实框挑选出来。实现代码如下：

 

# 挑选出跟真实框IoU大于阈值的预测框
#IOU=交/并
def get_iou_above_thresh_inds(pred_box, gt_boxes, iou_threshold):
    batchsize = pred_box.shape[0]
    num_rows = pred_box.shape[1]
    num_cols = pred_box.shape[2]
    num_anchors = pred_box.shape[3]
    ret_inds = np.zeros([batchsize, num_rows, num_cols, num_anchors])
    for i in range(batchsize):
        pred_box_i = pred_box[i]
        gt_boxes_i = gt_boxes[i]
        for k in range(len(gt_boxes_i)): #gt in gt_boxes_i:
            gt = gt_boxes_i[k]
            gtx_min