目标检测中的回归损失函数

目标检测中的回归损失函数

Regression loss functions in object detection.

目标检测的损失函数包括分类损失和边界框的回归损失。其中回归损失衡量预测边界框坐标$x_{pred}$和GT边界框坐标$x_{gt}$之间的差异，本文介绍常用的回归损失函数：

1. L1 / L2 loss
2. smooth L1 loss
3. IoU loss
4. GIoU loss
5. DIoU loss
6. CIoU loss
7. EIoU loss

1. L1 / L2 Loss

通用的回归损失采用L1 / L2 loss，计算如下：

$$ L1 = |x| $$

$$ L2 = x^2 $$

这两种损失函数存在缺点：

• L1 Loss的导数为常数，在训练后期，真实值与预测值的差值$x=x_{gt}-x_{pred}$很小时，如果学习率不变，损失函数会在稳定值附近波动，难以收敛到更高精度；
• L2 Loss在差值很大时，其导数非常大，故在训练初期不稳定。