目标检测网络之Loss（五）

· L1、L2、smooth L1：

smooth L1 loss的优势：

        当预测框与ground truth差别过大时，梯度不至于过大；

        当预测框与ground truth差别很小时，梯度值可足够小；

· focal loss：

        在one-stage检测算法中，会出现正负样本数量不平衡以及难易样本数量不平衡的情况，为了解决则以问题提出了focal loss。

        hit的检测框就是正样本。容易的正样本是指置信度高且hit的检测框，困难的正样本就是置信度低但hit的检测框，容易的负样本是指未hit且置信度低的检测框，困难的负样本指未hit但置信度高的检测框（hit指预测框和gt框iou是否大于设定的阈值）。

· IOU loss：

四点回归存在问题：

        通过4个点回归坐标框的方式是假设4个坐标点是相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性；不具有尺度不变形；可能存在相同的l1 或 l2 loss（如下图），但是IOU不唯一。

IOU loss解决的问题：

        尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性)。

· GIOU loss：

表示两个框的最小外接矩形

IOU loss存在的问题：

        如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。

GIOU loss解决的问题：

        尺度不变性、边框相交时，可以反映边框的相交情况。

· DIOU loss：

表示下图中的d，下图c表示两框最小外接矩形对角线长度

GIOU存在的问题：

        只要x和y有一个对上gt、或者预测框包含gt，那GIOU loss就退化成了IOU loss；

DIOU loss解决的问题：

        尺度不变性

        相比于GIOU，优化距离替换优化面积，收敛速度更快。

        解决GIOU的缺点：完全包裹预测框时loss一样的情况。

· CIOU loss：

DIOU存在的问题：

        DIOU没有考虑到检测框的长宽比。长宽比更接近的边框应当有更低的loss。

CIOU解决的问题：

        加入检测框的长宽比；