目标检测——SSD损失值计算

2020-12-15 23:05:00 阅读：264 来源： 互联网

标签：loss 检测 reduce batch 损失 num neg tf SSD

SSD损失分为两部分，类别损失和回归框位置损失

其中，类别损失采用softmax损失，回顾框损失采用l1——smooth损失。

1. softmax损失：

    def _softmax_loss(self, y_true, y_pred):
        y_pred = tf.maximum(y_pred, 1e-7)
        softmax_loss = -tf.reduce_sum(y_true * tf.math.log(y_pred),
                                      axis=-1)
        return softmax_loss

SSD类别部分的网络输出维度为（batch_size, 8732， num_classes），并经过softmax激活函数，转化为概率。

softmax_loss = -tf.reduce_sum(y_true * tf.math.log(y_pred), axis=-1)

概率取-log，与对应真实值位置乘积求和，维度为（batch_size, 8732）

2. l1_soomth 损失

    def _l1_smooth_loss(self, y_true, y_pred):
        abs_loss = tf.abs(y_true - y_pred)
        sq_loss = 0.5 * (y_true - y_pred)**2
        l1_loss = tf.where(tf.less(abs_loss, 1.0), sq_loss, abs_loss - 0.5)
        return tf.reduce_sum(l1_loss, -1)

SSD回归框偏差部份输出维度为（batch_size, 8732， 4），分别求l1_loss 和 l2_loss，将二者结合，

l1_loss = tf.where(tf.less(abs_loss, 1.0), sq_loss, abs_loss - 0.5)

return tf.reduce_sum(l1_loss, -1)

维度为（batch_size, 8732）。

3. 计算类别和回归框总损失

3.1 正样本：

正样本的损失分为类别损失和回归损失两种：

类别损失：（batch_size, ）

pos_conf_loss = tf.reduce_sum(conf_loss * y_true[:, :, -8], axis=1)

回归损失：（batch_size, ）

pos_loc_loss = tf.reduce_sum(loc_loss * y_true[:, :, -8],axis=1)

3.2 负样本

负样本的损失只有类别损失：

首先如何确定负样本，如果选取所有的负样本，则会引起类别不平衡的问题，所以选取部分负样本（正样本数量的3倍）

num_neg = tf.minimum(3 * num_pos, 8732 - num_pos)

# 求平均每个图片要取多少个负样本
num_neg_batch = tf.reduce_mean(tf.boolean_mask(num_neg,
                                              tf.greater(num_neg, 0)))
num_neg_batch = tf.cast(num_neg_batch,tf.int32)

如果是选取部分负样本，选取哪些呢？选取不该有预测结果的框，求他们的最大置信度

max_confs = tf.reduce_max(y_pred[:, :, confs_start:confs_end], axis=2)  # 5:25 (不包括背景的20个类别)

# 取top_k个置信度，作为负样本
_, indices = tf.nn.top_k(max_confs * (1 - y_true[:, :, -8]),
                         k=num_neg_batch)

抽取相应位置的conf_loss

neg_conf_loss = tf.gather(tf.reshape(conf_loss, [-1]),
                          full_indices)
neg_conf_loss = tf.reshape(neg_conf_loss,
                           [batch_size, num_neg_batch])
neg_conf_loss = tf.reduce_sum(neg_conf_loss, axis=1)

3.3 总损失

total_loss = tf.reduce_sum(pos_conf_loss) + tf.reduce_sum(neg_conf_loss)
total_loss /= tf.reduce_sum(num_pos)
total_loss += tf.reduce_sum(self.alpha * pos_loc_loss) / tf.reduce_sum(num_pos)

标签：loss,检测,reduce,batch,损失,num,neg,tf,SSD
来源： https://www.cnblogs.com/learningcaiji/p/14141529.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

目标检测——SSD损失值计算