目標檢測主要完成“what”和“where”任務，即識別一張圖像的哪些位置有哪些目標，通常的模型損失包含兩部分：分類損失（classification loss）和迴歸損失（bounding box regression loss）。其中分類損失函數完成分類任務，常用交叉熵作爲loss，在圖像分類任務中已經達到了較好的效果，目標檢測領域在構建損失模型時更多的關注於迴歸損失，即解決“where”的問題。
迴歸損失之一：smooth L1 loss
論文地址：Fast R-CNN
設
smooth L1 loss的優點：
- 由於L1loss的導數等於±1，訓練後期學習率較小，損失函數更新遲緩，容易在局部波動，難以收斂到更高精度。L2損失訓練初期的導數較大，可能會出現梯度爆炸，訓練不穩定，smoothL1避免了L2損失的不穩定性，一定程度上緩解了L1損失後期梯度不變的問題；
smooth L1 loss的不足：
- 對bounding box的評價指標爲IoU，二者並不等價，優化IoU更直接有效。
迴歸損失之二：IoU loss
論文地址：UnitBox: An Advanced Object Detection Network
IoU loss的優點：
- 三組框具有相同的L1/L2 Loss,但IoU 同樣差異很大說明L1,L2這些Loss用於迴歸任務時，不能等價於最後用於評測檢測的IoU，直接計算IoU loss更加有效
IoU loss的不足：
- 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
- 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，IoU值不能反映兩個框是如何相交的
迴歸損失之三：GIoU loss
論文地址：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
GIoU loss的優點：
- 具有尺度不變性
GIoU loss的不足：
- 當目標框完全包裹預測框的時候，IoU和GIoU的值都一樣，此時GIoU退化爲IoU, 無法區分其相對位置關係
迴歸損失之四：DIoU loss / CIoU loss
論文地址：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
DIoU/CIoU loss的優點：
- 具有尺度不變性
- DIoU Loss可以直接優化2個框直接的距離，比GIoU Loss收斂速度更快
- CIoU的懲罰項是在DIoU的懲罰項基礎上加了一個影響因子，這個因子把預測框長寬比擬合目標框的長寬比考慮進去
總結：IoU loss對比：
