faster-rcnn
faster-rcnn loss主要分为两个部分RPN的loss和fast-rcnn部分的loss：
1.rpn loss
分为两个部分，其中cls就是BCE loss，而reg用的是smooth L1 loss
为什么使用这种loss，文章中的说法是对异常点更加鲁棒，x大于1之后，梯度都是常量了。这边要注意的就是，他并不是对(x,y,w,h)原值进行回归，(x,y)使用对应的b-box进行了normalize，(w,h)也是用b-box对应的参数相除之后求对数。我的理解是做归一化后，达到同一尺度，可以加快训练或者提升训练效果。
2.faster-rcnn loss
基本上跟rpn的loss差不多，要注意的就是rpn分类只分前后景，这边会分所有类别。
还有个想说的就是：
rpn在feature map 的同一个位置上，不同的anchors都用相同的feature，而在fast-rcnn部分，会根据proposals的size去做roipooling。
yolov3
yolo这边除了v1，v2和v3都没有在论文里面把loss具体写出来，这边主要根据源码详述一下yolov3的loss。
这边回归的loss就比较粗糙，直接是sum square error，虽然w，h加了个root，但是loss还是对小物体不友好。
关于V3的loss，我这边大概描述一下，具体的可参考：https://blog.csdn.net/weixin_42078618/article/details/85005428
其中t是我们的预测值，b是我们的目标值。
但是根据源码，(x,y)的预测值更像是sigmoid(t)，而不是t。
各个loss
xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[..., 0:2], from_logits=True)
wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh - raw_pred[..., 2:4])
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) + (1 - object_mask) * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[..., 5:], from_logits=True)
比较奇怪的就是xy_loss为什么会用交叉熵，我的理解就是xy经过sigmoid也缩放到了0-1，所以可以。
wh_loss就是square loss。
置信度就是一个BCE。
分类loss就是多个BCE(因为是多个二分类,文章中说使用softmax并没有产生一个比较好的结果，我觉得还有可能是V2中9000多类不互斥吧)。
SSD
基本上跟faster-rcnn一致吧，没什么特别的改动。smoothL1加softmax