文本检测算法损失函数汇总

前言

最近在研究文本检测算法的优化，想改一下EAST算法的损失函数。所以收集一下各个算法的损失函数。

CTPN

Anchor Softmax loss：该Loss用于监督学习每个Anchor中是否包含文本。（分类，用Softmax损失）
Anchor y coord regression loss：该Loss用于监督学习每个包含为本的Anchor的Bouding box regression y方向offset，类似于Smooth L1 loss。（位置回归，用Smooth L1损失）
Anchor x coord regression loss：该Loss用于监督学习每个包含文本的Anchor的Bouding box regression x方向offset，与y方向同理。前两个Loss存在的必要性很明确，但这个Loss有何作用作者没有解释（从训练和测试的实际效果看，作用不大）

EAST

分数图损失(score map loss)
论文中采用的是类平衡交叉熵，用于解决类别不平衡训练，避免通过 平衡采样和硬负挖掘 解决目标物体的不不平衡分布，简化训练过程，具体公式如下：

但是在具体实战中，一般采用dice loss，它的收敛速度会比类平衡交叉熵快

几何形状损失(geometry loss)
文本在自然场景中的尺寸变化极大。直接使用L1或者L2损失去回归文本区域将导致损失偏差朝更大更长．因此论文中采用IoU损失在RBOX回归的AABB部分，尺度归一化的smoothed-L1损失在QUAD回归，来保证几何形状的回归损失是尺度不变的．

SegLink

为softmax loss，用于计算segments和links置信度的损失。
为Smooth L1 regression loss

Textboxes

N是匹配ground truth盒子的默认盒子的数量，α设置为1,。我们采用的smooth L1损失函数作为Lloc的损失，2分类的softmax损失作为Lconf。

RRPN

使用的是log损失函数：

采用的smooth L1损失：

Pixellink

整体损失函数分为pixel分类的损失和link分类的损失。由于pixel分类任务更重要，这里λ =2.0。

Pixel分类的损失如上面式子所示，L表示softmax_cross_entrop，W表示预测的pixel分类的权值矩阵，r表示负正样本比例，论文中r=3，S表示每个文本实例的面积。最终，当文本实例的面积比较大，占的loss损失就会被相对拉小，文本实例的面积比较小，占的loss损失就会被相对拉大。这样做的好处就是使得小的文本实例不会被大的文本实例的loss掩盖掉，也可以有loss回传。

同时pixel分类任务还使用了OHEM策略，每次回传S（正样本实例像素和）+r*S（负样本像素和）的loss，更加有利于分类任务的学习。这点改进比EAST中所有像素的loss都回传可以得到更好的分类结果，而不是像EAST那样，一个实例中间的像素分类的好，边缘的像素分类的差的情况。

Link分类的损失如上图所示。其中r表示负正样本比例，

L表示正负实例的分类损失。具体的表示为实例的pixel分类权值矩阵和

link的分类softmax_cross_entrop的乘积，W表示正负实例的pixel分类权值矩阵。

具体的W的计算表示为pixel分类权值矩阵和link分类矩阵基于每个通道的element_wise乘积。

MobileNetV3

categorical_crossentropy loss（交叉熵损失函数）

最后

可以看出大多数分类损失使用softmax损失，大多数位置回归使用Smooth L1 损失。