MMDetection系列之（自定义损失函数）

MMDetection为用户提供不同的丢失功能。但是默认配置可能不适用于不同的数据集或模型，因此用户可能希望修改特定的损失以适应新的情况。

计算管道的损失

给定输入预测和目标，以及权值，损失函数将输入张量映射到最终损失标量。映射可以分为四个步骤:

1. 设置采样方式为正采样和负采样。
2. 通过损失核函数获得元素或样本的损失。
   3.明智地用一个权张量元素对损失进行加权。
3. 将损失张量降为标量。
4. 用标量对损失进行加权。

1、Set sampling method (step 1)

对于某些损失函数，需要采取抽样策略来避免正样本和负样本之间的不平衡。
例如，当在RPN头部使用CrossEntropyLoss时，我们需要在train_cfg中设置RandomSampler

train_cfg=dict(
    rpn=dict(
        sampler=dict(
            type='RandomSampler',
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False))

对于具有正负样品平衡机制的其他损失，如FocalLoss、GHMC和QualityFocalLoss，则不再需要采样器。

Tweaking loss

调整损失与步骤2、步骤4、步骤5更相关，大多数修改都可以在配置中指定。这里我们以Focal Loss (FL)为例。下面的代码狙击手分别是FL的构造方法和配置，它们实际上是一一对应的。

@LOSSES.register_module()
class FocalLoss(nn.Module):

    def __init__(self,
                 use_sigmoid=True,
                 gamma=2.0,
                 alpha=0.25,
                 reduction='mean',
                 loss_weight=1.0):

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=1.0)

2、Tweaking hyper-parameters (step 2)

gamma和beta是焦损的两个超参数。假设我们想要将gamma值改为1.5,alpha值改为0.5，那么我们可以在配置中如下所示指定它们:

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=1.5,
    alpha=0.5,
    loss_weight=1.0)

Tweaking the way of reduction (step 3)

对于FL，约简的默认方式是mean。例如，如果我们想要将约简从mean更改为sum，我们可以在配置中指定如下:

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=1.0,
    reduction='sum')

Tweaking loss weight (step 5)

这里的损失权值是一个标量，它控制多任务学习中不同损失的权值，例如分类损失和回归损失。例如，如果我们想将分类损失的损失权重改为0.5，我们可以在配置中如下所示:

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=0.5)

Weighting loss (step 3)

加权损失意味着我们明智地重新加权损失元素。更具体地说，我们将损失张量与一个具有相同形状的权张量相乘。因此，损失的不同分项可以按不同的比例计算，这就是所谓的“要素”。损失权值在不同的模型中是不同的，并且与上下文高度相关，但总体上有两种损失权值，用于分类损失的label_weights和用于框回归损失的bbox_weights。您可以在相应头部的get_target方法中找到它们。这里我们以atshead为例，它继承了AnchorHead但是覆盖了它的get_targets方法，从而产生了不同的label_weights和bbox_weights。

lass ATSSHead(AnchorHead):

    ...

    def get_targets(self,
                    anchor_list,
                    valid_flag_list,
                    gt_bboxes_list,
                    img_metas,
                    gt_bboxes_ignore_list=None,
                    gt_labels_list=None,
                    label_channels=1,
                    unmap_outputs=True):