anchor-based的边界框回归损失函数

---

前言

  声明：转载它处，稍作总结

1、L1/L2 loss

定义如下：
缺点：

1. L1 loss对x倒数为常数，x是真实值与标签值的差，那么无论是训练前期还是后期，提供的梯度都一样，在训练后期由于梯度原因损失函数波动较大，难以达到更好的收敛效果。
2. L2 loss对x的求导与x的大小正比，当x较大时，倒数很大，训练初期不稳定。

2、Smooth L1 loss

针对L1、L2 loss的缺点，综合了两者得到smooth L1。
定义如下：当x的绝对值在1之内(小)，取L2 loss；x绝对值大于1时，取L1 loss。位置损失函数如下：
其中v是bbox的真实值，t表示预测值。
缺点：

1. L1、L2、Smooth L1计算边界框损失时，独立求出4个值的loss然后相加，而评判位置准确性的指标是IOU，IOU与Smooth L1 loss的计算方式不匹配。

3、IOU loss

针对Smooth L1 loss的缺点，引入了x、y、w、h的关联性，同时具备尺度不变性。
定义如下：或者缺点：

1. 当IOU为0时，不能反映预测框和真实框的距离，顺势函数不可导，即IOU loss无法优化两个框不相交的情况。
2. IOU不能反映两个框是如何相交的，如下图：

4、GIOU loss

针对IOU loss只关注重叠区域，不能反映相交情况，GIOU loss不仅关注重叠区域，还关注非重叠区域。
定义如下：其中C为A和B的外接矩形，GIOU的取值范围是[-1,1]，两个框重合取1，无限远取-1，GIOU loss范围[0,2]。
缺点：

1. 当目标框完全包裹预测框时，IOU与GIOU的值一样，此时GIOU退化为IOU，无法反映具体预测框和真实框的具体位置关系，如下图：

5、DIOU loss

针对IOU和GIOU的缺点，DIOU将两个要素融入边界框回归，重叠面积、中心点距离，并将它们融入到惩罚项中。
定义如下：
缺点：

1. DIOU没有包含长宽比因素。

6、CIOU loss

针对DIOU没有考虑长宽比因素，CIOU在DIOU的基础上将长宽比因素融入惩罚项。
定义如下：其中v用于衡量长宽比的一致性，$\alpha$用于平衡v的大小，表达式如下：最后，得到CIOU loss的表达式：
缺点：

1. v太复杂，减缓了收敛速度。
2. 从上看出v对w和v对h符号相反，那么优化意义相反。

7、EIOU loss

针对CIOU中v太复杂的问题，定义如下：

8、总结

在选用边界框回归函数时，要根据具体情况考虑；同时更好的损失函数应该与nms等模块配合起来使用。