tf 损失函数_机器学习-Faster RCNN的损失函数(Loss Function)

Faster RCNN的损失函数(Loss Function)的形式如下:

p(i): Anchor[i]的预测分类概率；

Anchor[i]是正样本时,p(i)*=1；Anchor[i]是负样本时，p(i)*=0;

什么是正样本与负样本 满足以下条件的Anchor是正样本：与Ground Truth Box的IOU(Intersection-Over-Union) 的重叠区域最大的Anchor；与Gound Truth Box的IOU的重叠区域>0.7; 满足以下条件的Anchor是负样本：与Gound Truth Box的IOU的重叠区域 <0.3;既不属于正样本又不属于负样本的Anchor不参与训练。

t(i): Anchor[i]预测的Bounding Box的参数化坐标(parameterized coordinates)；

t(i)*: Anchor[i]的Ground Truth的Bounding Box的参数化坐标；

N(cls): mini-batch size;

N(reg): Anchor Location的数量;

其中，R是Smooth L1函数；

表示只有在正样本时才回归Bounding Box。

Smooth L1 Loss