目標檢測——Faster R_CNN使用smooth L1作為bbox的回歸損失函數(shù)原因

? 前情提要—— 網(wǎng)上關于目標檢測框架——faster?r_cnn有太多太好的博文，這是我在組會講述faster?r_cnn這一框架時被人問到的一個點，當時沒答上來，于是會下好好百度和搜索一下研究了一下這個問題。

先看faster r_cnn的對bounding_box的回歸損失函數(shù)：

? 百度百科的解釋是：對于邊框的預測是一個回歸問題。通常可以選擇平方損失函數(shù)（L2損失）:f(x)=x^2。但這個損失對于比較大的誤差的懲罰很高。我們可以采用稍微緩和一點絕對損失函數(shù)（L1損失）:f(x)=|x|，它是隨著誤差線性增長，而不是平方增長。但這個函數(shù)在0點處導數(shù)不唯一（這里應該是0點兩邊的導數(shù)，因為0點處導數(shù)不存在），因此可能會影響收斂。一個通常的解決辦法是在0點附近使用平方函數(shù)使得它更加平滑。它被稱之為平滑L1損失函數(shù)，它通過一個參數(shù)sigma來控制平滑的區(qū)域。

? 牛客網(wǎng)的解釋：是當預測值與目標值相差很大時，L2 Loss的梯度為(x-t)，容易產(chǎn)生梯度爆炸，L1 Loss的梯度為常數(shù)，通過使用Smooth L1 Loss，在預測值與目標值相差較大時，由L2 Loss轉為L1 Loss可以防止梯度爆炸。

?

posted on 2019-03-30 21:02 E-Dreamer 閱讀(...) 評論(...) 編輯 收藏

轉載于:https://www.cnblogs.com/E-Dreamer-Blogs/p/10534039.html

總結

以上是生活随笔為你收集整理的目标检测——Faster R_CNN使用smooth L1作为bbox的回归损失函数原因的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。