关于CenterNet Regress Focal Loss的一点理解

论文：Objects as Points
论文链接：https://arxiv.org/abs/1904.07850
代码链接：https://github.com/xingyizhou/CenterNet

本文主要讲解CenterNet的Regress Focal Loss，由热图部分(heatmap loss)、偏置部分（reg loss）、宽高(wh loss)部分三部分loss组成，附代码实现。

1. heatmap loss

输入图像∈ , W为图像宽度，H为图像高度。网络输出的关键点热图heatmap为 ∈，R代表得到输出相对于原图的步长stride。C代表类别个数。

下面是CenterNet中核心loss公式：

这个和Focal loss形式很相似， 和 是超参数，N代表的是图像关键点（也就是GT中被高斯平滑之后区域的像素）个数。

• 在 的时候，

对于易分样本来说，预测值 接近于1， 就是一个很小的值，这样loss就很小，起到了矫正作用。

对于难分样本来说，预测值 接近于0， 就比较大，相当于加大了其训练的比重。

 

总之，其实就是一个带权重的交叉熵，在一个目标点及其高斯平滑区域，正样本只有一个点的点，其他点都是负样本，负样本GT为，比如0.56.