建设部网站阮建昌公示,广州专业建网站公司,vi手册模板免费,wordpress 免费插件前言
损失函数是用来评价模型的预测值和真实值一致程度#xff0c;损失函数越小#xff0c;通常模型的性能越好。不同的模型用的损失函数一般也不一样。损失函数主要是用在模型的训练阶段#xff0c;如果我们想让预测值无限接近于真实值#xff0c;就需要将损失值降到最低…前言
损失函数是用来评价模型的预测值和真实值一致程度损失函数越小通常模型的性能越好。不同的模型用的损失函数一般也不一样。损失函数主要是用在模型的训练阶段如果我们想让预测值无限接近于真实值就需要将损失值降到最低在这个过程中就需要引入损失函数而损失函数的选择又是十分关键。尤其是在目标检测中损失函数直接关乎到检测效果是否准确其中IOU损失函数目前主要应用于目标检测的领域其演变的过程如下IOU -- GIOU -- DIOU --CIOU损失函数每一种损失函数都较上一种损失函数有所提升下面来具体介绍这几种损失函数。
1 IoUIntersection over Union
1.1 IoU简介 UnitBox: An Advanced Object Detection Network IoU全称Intersection over Union交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。
IoU算法是使用最广泛的算法大部分的检测算法都是使用的这个算法。在目标识别中我们的预测框与实际框的某种比值就是IoU。 1.2 IoU计算公式 1.3 优点
IOU能够直观地反映出目标检测结果与真实情况之间的匹配程度。IOU具有尺度不变性由于IOU是基于重叠度量的它不受目标尺度和形状变换的影响这使得IOU适用于各种不同尺度和形状的目标检测任务。
1.4 缺点
当预测框和目标框不相交时即IOU0时不能反映两个目标之间距离的远近此时损失函数不可导IOU Loss 无法优化。当两个检测框大小相同两个IOU也相同IOU_Loss无法精确的反映两个框的重合度大小。 1.5 IoU代码
def IoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 box1b2_x1, b2_y1, b2_x2, b2_y2 box2xx1 np.maximum(b1_x1, b2_x1)yy1 np.maximum(b1_y1, b2_y1)xx2 np.minimum(b1_x2, b2_x2)yy2 np.minimum(b1_y2, b2_y2)w np.maximum(0.0, yy2 - yy1)h np.maximum(0.0, xx2 - xx1)inter w * hIoU inter/((b1_x2-b1_x1)*(b1_y2-b1_y1) (b2_x2-b2_x1)*(b2_y2-b2_y1) - inter)print(IoU: , IoU)if __name__ __main__:box1 np.array([100, 100, 210, 210])box2 np.array([150, 150, 230, 220])IoU(box1, box2)
2 GIoU Generalized Intersection over Union: A Metric and A Loss for Bounding BoxRegression 2.1 GIoU简介
通过上述分析当预测框和真实框不相交时IoU值为0导致很大范围内损失函数没有梯度。针对这一问题提出了GIoU作为损失函数。GIoU比IoU多了一个‘Generalized’能在更广义的层面上计算IoU。当检测框和真实框没有出现重叠的时候IoU的loss都是一样的因此GIoU就引入了最小封闭形状CC可以把AB包含在内在不重叠情况下能让预测框尽可能朝着真实框前进这样就可以解决检测框和真实框没有重叠的问题 。 2.2 GIoU公式
算法公式及其解释其实想法也很简单但这一步很难假如现在有两个box AB我们找到一个最小的封闭形状C让C可以把AB包含在内然后再计算C中没有覆盖A和B的面积占C总面积的比值最后用A与B的IoU减去这个比值GIoU计算公式如下 2.3 优点
GIOU_Loss中增加了相交尺度的衡量方式缓解了单纯IOU_Loss时的尴尬但是依然没有完全解决IoU存在的问题
2.4 缺点
对每个预测框与真实框均要去计算最小外接矩形计算及收敛速度受到限制状态1、2、3都是预测框在目标框内部且预测框大小一致的情况这时预测框和目标框的差集都是相同的因此这三种状态的GIoU值也都是相同的这时GIoU退化成了IoU无法区分相对位置关系。 2.5 GIoU代码 def GIoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 box1b2_x1, b2_y1, b2_x2, b2_y2 box2# IOUxx1 np.maximum(b1_x1, b2_x1)yy1 np.maximum(b1_y1, b2_y1)xx2 np.minimum(b1_x2, b2_x2)yy2 np.minimum(b1_y2, b2_y2)inter_w np.maximum(0.0, yy2 - yy1)inter_h np.maximum(0.0, xx2 - xx1)inter inter_w * inter_hUnion (b1_x2-b1_x1)*(b1_y2-b1_y1) (b2_x2-b2_x1)*(b2_y2-b2_y1) - inter# GIOUC_xx1 np.minimum(b1_x1, b2_x1)C_yy1 np.minimum(b1_y1, b2_y1)C_xx2 np.maximum(b1_x2, b2_x2)C_yy2 np.maximum(b1_y2, b2_y2)C_area (C_xx2 - C_xx1) * (C_yy2 - C_yy1)IOU inter / UnionGIOU IOU - abs((C_area-Union)/C_area)print(GIOU:, GIOU)if __name__ __main__:box1 np.array([100, 100, 210, 210])box2 np.array([150, 150, 230, 220])GIoU(box1, box2)
