目錄
1、目標檢測位置回歸損失函數詳解 1.1、L1 Loss
MAE
優點：1、離群點不敏感 2、穩定梯度 避免梯度爆炸
缺點：1、x=0處不可導 2、訓練后期震蕩
1.2、L2 Loss
MSE
優點：1、梯度動態變化 加速收斂 2、x=0處可導
缺點：1、離群點敏感 1.3、 Loss
1.4、IOU Loss
1.5、GIOU Loss
1.6、DIOU Loss
1.7、CIOU Loss
L1
應用模型： rcnn ssd
優點：1、pred和gt差異大時，梯度值不至于過大 2、pred和gt差異小時，梯度值足夠小
完美避開L1和L2的缺點神經網絡 損失函數種類，繼承L1和L2的優點
缺點：1、xywh 獨立四個點 但是是有相關性的
2、實際推理時使用IOU loss 而訓練時是用L1 L2損失，兩者不等價
3、L1 L2 loss相等時 IOU不唯一
4、基于L1 L2 loss 不具有尺度不變性
IOU loss
優點： L1 的缺點就是IOU loss 的優點
1、尺度不變性 2、推理 訓練 等價 3、
缺點：1、當預測框和目標框不相交時，IoU(A,B)=0時，不能反映A,B距離的遠近，此時損失函數不可導，IoU Loss 無法優化兩個框不相交的情況
2、假設預測框和目標框的大小都確定，只要兩個框的相交值是確定的，其IoU值是相同時神經網絡 損失函數種類，IoU值不能反映兩個框是如何相交的。
GIOU loss
優點：IOU loss 的缺點就是GIOU loss 的優點 解決IOU loss 不相交情況
缺點：
DIOU loss
優點：解決GIOU loss 兩者包裹情況
缺點：
CIOU loss
優點：
缺點：
參考文獻
回歸損失函數1：L1 loss, L2 loss以及 L1 Loss的對比 - - 博客園
深度學習之L1 loss和L2 loss的區別的學習之旅-CSDN博客和的區別
目標檢測回歸損失函數總結