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:
- L1 / L2 loss
- smooth L1 loss
- IoU loss
- GIoU loss
- DIoU loss
- CIoU loss
- 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。