YOLOv3 SPP超详细入门( 三 ) _样本

4.CIou
一个优秀的回归定位损失应该考虑到3种几何参数：重叠面积、中心点距离、长宽比。最终 CIoU 及其 Loss 计算公式如下所示：
因此CIOU的三项恰好对应IOU，中心点距离，长宽比的计算。CIOU loss = 1 - CIoU 。α和v为长宽比，计算公式如上图所示：w、h和w(gt)、h(gt)分别代表预测框的高宽和真实框的高宽。
实际检测效果中，CIOU相比GIOU在框选目标时，能找到一个更合适的框选位置。如上图所示，第一行的两张图中，第一个猫猫使用GIOU损失函数，发现有一只猫耳朵在框外，第二只猫猫使用DIOU损失函数，将猫猫的位置准确标出。同样，第二行中，第一只狗狗虽然完整标出，但并不能准确框出狗狗的轮廓，而第二张图检测框的位置刚好合适。
五、Focal loss
Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。
由于一张图像中能够匹配到目标的候选框（正样本）个数一般只有十几个或者几十个，而未被匹配的候选框（负样本）大概有数万个，在这些负样本中，大部分都是简单易分的，对训练网络起不到作用，但由于数量太多会淹没掉少量但有助于训练的样本。
提出hard思想，通过预分类记录其对应特征和分类器得到的概率，对其重新训练，按概率值进行排序，再使用排序后的对应特征重新训练分类器，并多次迭代的方法，来实现样本选择。
在 SPP中，使用Focal Loss通过对损失函数计算中二值交叉熵损失添加因子γ来降低易分负样本的损失贡献。
其中，y是样本的标签值，而p是模型预测某一个样本为正样本的概率，对于真实标签为正样本的样本，它的概率p越大说明模型预测的越准确，对于真实标签为负样本的样本，它的概率p越小说明模型预测的越准确。
结束语
感谢你观看我的文章呐~本次航班到这里就结束啦
希望本篇文章有对你带来帮助，有学习到一点知识~
躲起来的星星也在努力发光，你也要努力加油（让我们一起努力叭）。
最后，博主要一下你们的三连呀（点赞、评论、收藏），不要钱的还是可以搞一搞的嘛~
不知道评论啥的，即使扣个666也是对博主的鼓舞吖感谢
?