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