目标检测——Faster R_CNN使用smooth L1做为bbox的回归损失函数缘由

  前情提要—— 网上关于目标检测框架——faster r_cnn有太多太好的博文，这是我在组会讲述faster r_cnn这一框架时被人问到的一个点，当时没答上来，因而会下好好百度和搜索一下研究了一下这个问题。

先看faster r_cnn的对bounding_box的回归损失函数：

  百度百科的解释是：对于边框的预测是一个回归问题。一般能够选择平方损失函数（L2损失）:f(x)=x^2。但这个损失对于比较大的偏差的惩罚很高。咱们能够采用稍微缓和一点绝对损失函数（L1损失）:f(x)=|x|，它是随着偏差线性增加，而不是平方增加。但这个函数在0点处导数不惟一（这里应该是0点两边的导数，由于0点处导数不存在），所以可能会影响收敛。一个一般的解决办法是在0点附近使用平方函数使得它更加平滑。它被称之为平滑L1损失函数，它经过一个参数sigma来控制平滑的区域。

  牛客网的解释：是当预测值与目标值相差很大时，L2 Loss的梯度为(x-t)，容易产生梯度爆炸，L1 Loss的梯度为常数，经过使用Smooth L1 Loss，在预测值与目标值相差较大时，由L2 Loss转为L1 Loss能够防止梯度爆炸。