pytorch----retinaface(三种损失使用的函数)

pytorch----retinaface(三种损失使用的函数)

retinaface损失函数定义：

（1）L(cls)(面分类损失):

#计算交叉熵
loss_c = F.cross_entropy(conf_p, targets_weighted, reduction='sum')

1、交叉熵的公式：

其中P为真实值，Q为预测值。
2、计算交叉熵的步骤：
1)步骤说明：
①将predict_scores进行softmax运算，将运算结果记为pred_scores_soft；
②将pred_scores_soft进行log运算，将运算结果记为pred_scores_soft_log；
③将pred_scores_soft_log与真实值进行计算处理。
思路即：
scores→softmax→log→compute
（2）、L(box)(面盒回归损失):

loss_l = F.smooth_l1_loss(loc_p, loc_t, reduction='sum')#Smooth L1 损失

smooth L1 loss能从两个方面限制梯度：
当预测框与 ground truth 差别过大时，梯度值不至于过大；
当预测框与 ground truth 差别很小时，梯度值足够小。

求导：

（3）面部地标回归损失L（pts）：

loss_landm = F.smooth_l1_loss(landm_p, landm_t, reduction='sum')#Smooth L1 损失

（4）稠密回归损失L（pixel）：
代码中并没有写出。
简单介绍一下：
损耗平衡参数λ1-λ3分别设置为0.25、0.1和0.01，这意味着我们增加了监控信号中更好的箱位和标志位置的重要性。