Paper Understanding
Papers
Concepts
Formulas
KO
EN
yolo_loss
YOLO 다중 파트 손실 함수
L
=
λ
c
o
o
r
d
∑
i
,
j
1
i
j
o
b
j
[
(
x
i
−
x
^
i
)
2
+
(
y
i
−
y
^
i
)
2
]
+
λ
c
o
o
r
d
∑
i
,
j
1
i
j
o
b
j
[
(
w
i
−
w
^
i
)
2
+
(
h
i
−
h
^
i
)
2
]
+
∑
i
,
j
1
i
j
o
b
j
(
C
i
−
C
^
i
)
2
+
λ
n
o
o
b
j
∑
i
,
j
1
i
j
n
o
o
b
j
(
C
i
−
C
^
i
)
2
+
∑
i
1
i
o
b
j
∑
c
(
p
i
(
c
)
−
p
^
i
(
c
)
)
2
L = \lambda_{coord}\sum_{i,j}\mathbf{1}_{ij}^{obj}\big[(x_i-\hat{x}_i)^2+(y_i-\hat{y}_i)^2\big] + \lambda_{coord}\sum_{i,j}\mathbf{1}_{ij}^{obj}\big[(\sqrt{w_i}-\sqrt{\hat{w}_i})^2+(\sqrt{h_i}-\sqrt{\hat{h}_i})^2\big] + \sum_{i,j}\mathbf{1}_{ij}^{obj}(C_i-\hat{C}_i)^2 + \lambda_{noobj}\sum_{i,j}\mathbf{1}_{ij}^{noobj}(C_i-\hat{C}_i)^2 + \sum_i \mathbf{1}_i^{obj}\sum_{c}(p_i(c)-\hat{p}_i(c))^2
L
=
λ
coor
d
i
,
j
∑
1
ij
o
bj
[
(
x
i
−
x
^
i
)
2
+
(
y
i
−
y
^
i
)
2
]
+
λ
coor
d
i
,
j
∑
1
ij
o
bj
[
(
w
i
−
w
^
i
)
2
+
(
h
i
−
h
^
i
)
2
]
+
i
,
j
∑
1
ij
o
bj
(
C
i
−
C
^
i
)
2
+
λ
n
oo
bj
i
,
j
∑
1
ij
n
oo
bj
(
C
i
−
C
^
i
)
2
+
i
∑
1
i
o
bj
c
∑
(
p
i
(
c
)
−
p
^
i
(
c
)
)
2
YOLO 다중 파트 손실 함수
수식 상세 →
기호를 클릭하면 의미를 볼 수 있습니다
1
i
j
o
b
j
\mathbf{1}_{ij}^{obj}
1
ij
o
bj
1
i
j
n
o
o
b
j
\mathbf{1}_{ij}^{noobj}
1
ij
n
oo
bj
λ
c
o
o
r
d
=
5
\lambda_{coord}=5
λ
coor
d
=
5
λ
n
o
o
b
j
=
0.5
\lambda_{noobj}=0.5
λ
n
oo
bj
=
0.5
w
,
h
\sqrt{w}, \sqrt{h}
w
,
h
단계별 설명
1
다섯 항이 순서대로 (1) 박스 중심 (x,y) 오차, (2) 박스 크기 (√w,√h) 오차, (3) 객체가 있는 박스의 confidence 오차, (4) 객체가 없는 박스의 confidence 오차, (5) 객체가 있는 셀의 클래스 확률 오차를 더한다. 대부분의 그리드 셀은 배경이라 λ_coord/λ_noobj로 균형을 맞추지 않으면 confidence가 0으로 쏠려 학습이 불안정해진다.
관련 논문
yolo