Faster RCNN的损失函数(Loss Function)的形式如下:
![c1aae61691ef3a0e3688ec3584e17002.png](https://i-blog.csdnimg.cn/blog_migrate/a8d5f544b37ef5bff6b004aadce2e494.jpeg)
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;
![48bff212e3982cd7d13a86a69a1da313.png](https://i-blog.csdnimg.cn/blog_migrate/898f8aed6a9bc6425b36774e5c6e3cbf.jpeg)
N(cls): mini-batch size;
N(reg): Anchor Location的数量;
![d91d8760c3fbbbf0e354519c6d2d50ee.png](https://i-blog.csdnimg.cn/blog_migrate/f2e0d3d84c3f37039fe7c64c674e1e91.jpeg)
其中,R是Smooth L1函数;
![76e6d918b64061944f77ca8399c7bf9a.png](https://i-blog.csdnimg.cn/blog_migrate/79e24c52a6cee79876c43ca2e2a52996.jpeg)
表示只有在正样本时才回归Bounding Box。
Smooth L1 Loss
![3aaab38350e8a8d07edc2a01bdd26926.png](https://i-blog.csdnimg.cn/blog_migrate/81297956067f4e9bfb428571d011c873.jpeg)