目标检测中的损失函数

最新推荐文章于 2025-06-12 09:00:21 发布

worldEmbeding

最新推荐文章于 2025-06-12 09:00:21 发布

阅读量974

点赞数 22

CC 4.0 BY-SA版权

文章标签：目标检测机器学习算法

本文链接：https://blog.csdn.net/weixin_45760926/article/details/135711248

x表示模型的预测，y表示真实值，z=x-y表示预测值与真实值之间的差异

L1_loss

$L_{L1}=|x-y|=|z|$

L2_loss

$L_{L2}=1/2(x-y)^2=0.5z^2$

分别对z求导

这样会导致一些问题

** $L_1 loss:$ **在训练末期，z很小的情况下，如果不调整learning rate，这个导数的值会使损失函数在稳定值附近波动，难以继续收敛下去。

** $L_2loss:$ **在训练初期，z较大的情况下，会导致损失函数不稳定。

Smooth L1 loss

$L_{smotthL1}=\left\{ \begin{aligned}0.5(x-y)^2=0.5z^2,&& if|x-y|<1 \\ |x-y|-0.5=|z|-0.5, &&otherwise \end{aligned} \right.$

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

worldEmbeding

关注关注

22
点赞
踩
21

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

目标检测学习笔记

weixin_41870056的博客

12-22

636

标检测学习笔记（三、深入篇）5 损失函数5.1 匹配策略（Matching Strategy）5.2 损失函数3.3 难例挖掘（Hard Negative Mining）本篇续上一篇，继续学习目标检测相关知识。笔记仅为巩固个人学习效果、督促自我进步用，若有读者发现不正确的地方请不吝指教。参考链接：https://datawhalechina.github.io/dive-into-cv-pytorch/#/?id=dive-into-cv-pytorch 5 损失函数 5.1 匹配策略（Matching

目标检测中损失函数的精妙作用：精确度与鲁棒性的双重保障

2401_85760095的博客

07-05

896

目标检测是计算机视觉领域的核心任务之一，它旨在从图像或视频中识别和定位多个对象。在目标检测算法中，损失函数扮演着至关重要的角色，它指导模型学习如何准确地预测边界框和类别。本文将深入探讨目标检测中损失函数的作用，解释它们如何影响模型的性能，并提供代码示例。

参与评论您还未登录，请先登录后发表或查看评论

PaddlePaddle深度学习教程：理解目标检测中的Balanced L1 Loss

最新发布

gitblog_00967的博客

06-12

502

PaddlePaddle深度学习教程：理解目标检测中的Balanced L1 Loss 引言在目标检测任务中，损失函数的设计对模型性能有着至关重要的影响。传统的目标检测模型通常采用多任务损失函数，同时优化分类和边界框回归两个子任务。然而，这种设计存在一个关键问题：如何平衡不同任务以及不同样本对模型训练的贡献？这正是Balanced L1 Loss要解决的核心问题。 目标检测中的损失函数 目标检测...

目标检测之损失函数

pengxiang1998的博客

04-26

2254

损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。在目标检测领域，常见的损失分为分类损失和回归损失。

目标检测损失函数

alex1801

12-08

6603

损失由两部分组成，分别是类别误差损失以及定位误差损失。 1、分类损失采用一个二分类的softmax loss用来做分类，分类损失如下：其中，Sj为最后一层的softmax输出，T为类别数，yi为对应的真值标记。 2、smooth L1 Loss 常用的L1、L2损失定义如下： smooth L1 用来做回归，公式如下：其中x、y、w、h分别为目标的中心点及宽高，ti为真值、ui为对...

目标检测--损失函数

Cai_Xu_Kun的博客

04-27

1013

仅作个人学习，侵权删。大部分来自：https://zhuanlan.zhihu.com/p/35709485. 损失函数分类1、 Classification Error（分类错误率）2 、Mean Squared Error (均方误差)3 、Cross Entropy Loss Function（交叉熵损失函数）4 、Focal loss 损失函数分类 1.预测政治倾向例子我们希望根据一个人的年龄、性别、年收入等相互独立的特征，来预测一个人的政治倾向，有三种可预测结果：民主党、共和党、其他党。假设

【目标检测】损失函数：不同损失函数概念及其代码实现

chu-xia的博客

01-22

4820

本篇文章介绍目标检测中不同的损失函数概念及其代码实现。目标检测主要任务为实现目标的分类与定位类别/置信度损失位置损失。

【YOLO目标检测中损失函数的理解与优化】：详解YOLO目标检测中损失函数的理解和优化方法

[【YOLO目标检测中损失函数的理解与优化】：详解YOLO目标检测中损失函数的理解和优化方法](https://img-blog.csdnimg.cn/20200110111212801.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10...

目标检测-损失函数

lzw刘仔很忙的博客

12-22

1020

3.5.1 Matching strategy (匹配策略)：我们分配了许多prior bboxes，我们要想让其预测类别和目标框信息，我们先要知道每个prior bbox和哪个目标对应，从而才能判断预测的是否准确，从而将训练进行下去。不同方法 ground truth boxes 与 prior bboxes 的匹配策略大致都是类似的，但是细节会有所不同。这里我们采用SSD中的匹配策略，具体如下：第一个原则：从ground truth box出发，寻找与每一个ground truth box有

目标检测回归损失函数简介

baidu_36557924的博客

08-04

2197

目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线：本文按照此路线进行讲解。 1、Smooth L1 Loss 1.1均方误差MSE (L2Loss) 均方误差（Mean Square Error,MSE）是模型预测值f(x)与真实样本值y之间差值平方的平均值，其公式如下 M...

yolo v1 目标检测算法的损失函数详尽代码注解

05-02

应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。

目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现

qq_40716944的博客

12-28

7479

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。

深度学习——目标检测损失函数

dhy5710的博客

09-25

4574

目标检测损失分为类别损失和位置损失。

目标检测中的损失函数汇总

senbinyu的博客

08-31

8808

和图像分割中将损失函数分为基于分布，基于区域以及基于边界的损失函数不一样，目标检测经常可以认为由2类最基础的损失，分类损失和回归损失而组成。分类损失 CE loss，交叉熵损失交叉熵损失，二分类损失（binary CE loss）是它的一种极端情况. 在机器学习部分就有介绍它。如下图所示,y是真实标签，a是预测标签，一般可通过sigmoid，softmax得到，x是样本，n是样本数目，和对数似然等价。 focal loss, 用改变loss的方式来缓解样本的不平衡，因为改变loss只影响t

目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss

JulyLi2019的博客

12-04

4208

之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。

细数目标检测中的损失函数

hey-yahei

04-23

1738

原文链接：https://www.yuque.com/yahei/hey-yahei/objects_detection#zoJwH 损失函数 目标检测中最经典的损失函数就是Faster RCNN所用的“softmax交叉熵分类损失 + SmoothL1回归损失”的形式，后来有很多改进的目标检测网络、方案也陆续提出了一些损失函数上的改进。分类损失参考：《目标检测小tricks–样本不均衡处...

CV目标检测-化劲儿-损失函数设计

Etc_in_the_great的博客

12-20

259

匹配策略从ground truth boxes出发，寻找与每个ground truth boxes有最大的jaccard overlap(IOU)的proior bbox，这样就能保证每一个ground box一定与一个prior bbox对应起来。反之，若一个prior bbox没有与任何ground truth进行匹配，那么该prior bbox只能与背景匹配，就是负样本。一个图片中ground truth是非常少的，而prior bbox却很多，如果仅按第一个原则匹配，很多prior bbox会

损失函数

adminabcd的专栏

06-02

1444

今天看一篇论文时，碰到hinge loss，不知道是个什么东西，于是上网查了下，找到了一篇介绍loss function的英文文献（http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf），还不错，于是决定翻译下，方便以后用。1.损失函数的形式定义由式（14.1）可知损失函数包括两部分：损

目标检测置信损失函数

04-23

目标检测中的置信损失函数是用来衡量模型对目标与否的预测准确性的一种指标。常见的标检测置信损失函数有两种：二分类交叉熵损失函数和逻辑损失函数。 1. 二分类交叉熵损失函数（Binary Cross Entropy Loss）：这是一种常用的目标检测置信损失函数，适用于目标检测任务中的二分类问题，即判断目标是否存在。该损失函数通过计算模型对目标存在与否的预测概率与真实标签之间的交叉熵来度量预测的准确性。具体计算公式如下： L = -y * log(p) - (1-y) * log(1-p) 其中，y表示真实标签（0或1），p表示模型对目标存在的预测概率。 2. 逻辑损失函数（Logistic Loss）：逻辑损失函数也是一种常见的目标检测置信损失函数，适用于多类别目标检测问题。该损失函数通过计算模型对每个类别的预测概率与真实标签之间的交叉熵来度量预测的准确性。具体计算公式如下： L = -sum(y * log(p) + (1-y) * log(1-p)) 其中，y表示真实标签的one-hot编码，p表示模型对每个类别的预测概率。这些损失函数的目标是最小化预测值与真实值之间的差异，从而提高目标检测模型的准确性。