yolov3损失函数改进_yolov3 损失函数

YOLOv3 损失函数主要分为loss_xy,loss_wh,loss_confidence,loss_class

loss_xy:   darknet与kreas稍有不同。

darknet是sse，kreas是二值交叉熵。一种解释如下：bounding box回归是Square Error Loss，分类 and object confidence都是交叉熵 我的理解：作者使用(包括bounding box的位置回归和Logistic 二分类)delta的平方。注意的是，对于Logistic回归，正好方差损失和交叉熵损失的求导形式是一样的，都是output - label的形式。也就是说，本来我们这里应该用(二元分类的)交叉损失熵的，不过作者这里直接用方差损失代替了，因为数值趋势上是一样的。

loss_wh:基本一致，主要联合上面的对小物体回归损失乘了一个系数，scale=2-w*h，越小的物体，回归损失越大，有利于模型更好的检测小物体。

loss_confidence: 分为obj和no_obj两种情况计算。对于obj(该检测框有对应的真实框)，二值交叉熵；对于no_obj(该检测框无对应的真实框)，当检测框和真实框的iou低于0.5，需要计算no_obj_confidence_loss，也是二值交叉熵。

loss_class:二值交叉熵

主要参考以上两篇文章