FairMOT 损失函数解析

（）一、Heatmap Loss

1.通过每一个预测框得到每个目标中心位置,

2.对应特征图的目标中心位置为

 3.热图相应每个点与每个框中心点的均方差与标准差相除，响应约大表示约接近目标中心点。

当真实图中的Mxy=1时表示只有一个目标且当前点就是目标中心点。多个目标时，目标中心点的Mxy是必定比1大的。

二、Box Loss and Size Loss 

1.计算每个预测框的长宽和中心偏移量

（为什么size不需要用特征图的size，而中心偏移量用特征图的中心偏移量）

两个误差都是取向量1范数再相加，size取了一个权重参数

三、re-ID特征误差

为检测对象的特征向量通过全连接层和softmax函数映射为分类概率集合。一共有i个P集合，i为目标数量

 

为one-hot处理后的数据真实的类别编码，即用向量新式存储id信息（例如：[0，1，0，0，0，0，0]）

 k为id数量，当最大的p(k)越大Log(p(k))约接近于0，取值为负数，故在最前面加上了负号