fast-rcnn损失函数及pytorch实现

ROIpooling层后面连接两个全连接层，特征展平后并联两个全连接层，分别做类别预测和边界框回归参数预测

fast-rcnn损失函数包括两部分，分类损失和边界框回归损失，其中分类损失使用的是softmax多分类交叉熵损失，边界框回归损失使用的事smooth L1损失。
ss算法生成2000个候选框，并投影到特征图上，原文中，训练时，会对两千个候选框进行采样，保留128个候选框，128中包括正样本和负样本，当该候选框为负样本时，艾弗森括号保证了损失函数中不包含边界框回归损失。

回顾

1、交叉熵损失

1.1 定义

参考链接.

1.2 实现接口

多分类交叉熵损失的pytorch接口：torch.nn.CrossEntropyLoss：该接口包含了softmax函数，同时封装了LogSoftmax和NLLLoss
二分类交叉熵损失的pytorch接口：torch.nn.BCELoss和torch.nn.BCEWithLogitsLoss：后者包含了sigmoid函数，同时封装了sigmoid和BCELoss

2、SmoothL1损失

2.1定义

以上三种定义是同一种意思

2.2 实现接口

Pytorch实现接口为：torch.nn.SmoothL1Loss(size_average=None, reduce=None, reduction=‘mean’, beta=1.0)

参考链接.：
https://www.bilibili.com/video/BV1af4y1m7iL?p=2
https://pytorch.org/docs/stable/nn.html#loss-functions
https://blog.csdn.net/zhangxb35/article/details/72464152?utm_source=itdadao&utm_medium=referral