yolo V1 损失函数的理解

  1. 每一项说明
    • 第一项:遍历每个网格(Grid)中的每一个边界框(Bounding BOX,BBOX),其中网格有$S^2$个,预测框有B个。
    • $\mathbb{I}^{obj}_{ij}$ 表示若第i个网格中第j个边界框含有对象(OBJ)则该值为1 ,否则为0。
    • $[(x_i-\bar{x}_i)^2+(y_i-\bar{y}_i)^2]$表示中心坐标的平方差损失。
    • 第二项:用开方的原因是对于大物体和小物体来说,在相同的IOU情况下,不至于相差太大。
    • 第三项和第四项都是分别是对含有OBJ和不含有OBJ的BBOX的置信度(confidence)的预测
    • 第四项:$\mathbb{I}^{obj}_{i}$表示判断是都有OBJ落在网格i中。进行类别预测。
  2. 超参数说明
    • $\lambda_{coord}$表示需要BBOX负责预测OBJ的超参数,数目较多,设置5
    • $\lambda_{noobj}$表示不负责预测OBJ的BBOX的超参数,数目较少,设置0.5
    • 用来抵输入的样本的不平衡
暂无评论

发送评论 编辑评论


				
|´・ω・)ノ
ヾ(≧∇≦*)ゝ
(☆ω☆)
(╯‵□′)╯︵┴─┴
 ̄﹃ ̄
(/ω\)
∠( ᐛ 」∠)_
(๑•̀ㅁ•́ฅ)
→_→
୧(๑•̀⌄•́๑)૭
٩(ˊᗜˋ*)و
(ノ°ο°)ノ
(´இ皿இ`)
⌇●﹏●⌇
(ฅ´ω`ฅ)
(╯°A°)╯︵○○○
φ( ̄∇ ̄o)
ヾ(´・ ・`。)ノ"
( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃
(ó﹏ò。)
Σ(っ °Д °;)っ
( ,,´・ω・)ノ"(´っω・`。)
╮(╯▽╰)╭
o(*////▽////*)q
>﹏<
( ๑´•ω•) "(ㆆᴗㆆ)
😂
😀
😅
😊
🙂
🙃
😌
😍
😘
😜
😝
😏
😒
🙄
😳
😡
😔
😫
😱
😭
💩
👻
🙌
🖕
👍
👫
👬
👭
🌚
🌝
🙈
💊
😶
🙏
🍦
🍉
😣
Source: github.com/k4yt3x/flowerhd
颜文字
Emoji
小恐龙
花!
上一篇
下一篇