faster rcnn 损失函数

最新推荐文章于 2023-04-23 17:17:51 发布

Zzzz26~

最新推荐文章于 2023-04-23 17:17:51 发布

阅读量1.5k

点赞数 1

分类专栏：深度学习文章标签：深度学习机器学习

本文链接：https://blog.csdn.net/ysh1026/article/details/110142046

版权

该博客深入探讨了Faster R-CNN的损失函数，包括RPN和RCNN两部分。RPN损失主要涉及锚点的前景/背景分类和回归，而RCNN则通过proposal_target_layer选择样本，进行分类和边界框回归。博主强调，理解这些概念的重要性在于亲手实践和自我领悟。

摘要由CSDN通过智能技术生成

损失函数分为框预测回归和分类loss，每个都分为rpn和rcnn。

rpn损失：

_anchor_target_layer 给图像内部的anchors分配rpn_labels(1或0，前景或背景)，再和rpn_cls_score做交叉熵，此时只关注物体是前景/背景，不管物体的类别

rpn_cross_entropy = tf.reduce_mean(
        tf.nn.sparse_softmax_cross_entropy_with_logits(logits=rpn_cls_score, labels=rpn_label))

对图像内部的框做回归

# 计算anchor平移和放缩的幅度target，和所属的类比较
  bbox_targets = _compute_targets(anchors, gt_boxes[argmax_overlaps, :])
......
# bbox_targets
  bbox_targets = bbox_targets \
    .reshape((1, height, width, A * 4))

  rpn_bbox_targets = bbox_targets

rpn_loss_box = self._smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets, rpn_bbox_inside_weights,
                                          rpn_bbox_outside_weights, sigma=sigma_rpn, dim=[1, 2, 3])