【目标检测】30、

论文：Single-Shot Two-Pronged Detector with Rectified IoU Loss

代码：暂无

出处：ACM MM 2020

一、背景

在检测任务重，IoU 经常被用来选择预选框，但这种直接的做法也忽略了样本分布的不均衡的特点，这会影响定位 loss 的梯度，从而影响最终的效果。

作者思考，能不能在训练的过程中不断 rectify 所有样本的梯度，来提升效果。于是就提出了 Rectified IoU (RIoU) loss。

Rectified IoU (RIoU) loss 的目的：增大 high IoU 样本的梯度，抑制 low IoU 样本的梯度

Rectified IoU (RIoU) loss 的特点：在使用 RIoU 训练时，大量简单样本（IoU 大）的梯度会被增大，让网络更关注这些样本，而少量的难样本（IoU 小）的梯度会被抑制。这样会使得每种类型的样本的贡献更均衡，训练过程更高效和稳定。

为什么抑制难样本的梯度后，每类样本的贡献会更均衡呢？

因为 IoU 低的样本占大多数，所以对应的 loss 更大，所以作者通过提高简单样本对 loss 的贡献，来让难易样本的贡献更均衡。

二、方法

$L_{IoU}$ 的形式如下：

$$L_{IoU}=1-IoU$$

$L_{IoU}$ 的偏导如下：

$$|gradients(IoU)|=|\frac{\partial L_{IoU}}{{\partial }_{IoU}}|=1$$

由此可看出，$|gradients(IoU)|$ 是一个常数，对难易样本无差别对待，但不同 IoU 样本的分布是很不均衡的。low IoU 样本的数量大于 high IoU 样本的数量，也就是说，在训练过程中，low IoU 样本掌握着梯度，让网络更偏向于难样本的回归。

Rectified IoU (RIoU) loss 的目的：增大 high IoU 样本的梯度，抑制 low IoU 样本的梯度

如何修正呢：

如果梯度总是随着 IoU 的增大而增大，则会面临一个问题，即当某个框回归的非常好时（$IoU\to 1$），其梯度会最大，这是不合适的。

所以作者提出了如下的方式，a, b, c, k 可以控制梯度曲线的形状。上升后，在 $IoU=\beta$ 处快速下降，本文 $\beta =0.95$。

当 $\beta =0.95$ 时的 Loss 曲线对应如下，$IoU<\beta$ 时是凸型，$IoU>\beta$ 时是凹型：

三、效果