如何在 Tensorflow 框架中使用 L2-Loss 函数进行目标检测 CNN？

Question

我正在研究 tensorflow（确切地说是使用 CNN 进行对象检测）

我已经研究过分类，但是对象检测是回归问题，所以我对损失函数和全网络实现感到困惑。

在分类问题中，我应该使用-

tf.nn.softmax_cross_entropy_with_logits(logits=result, labels=Y)

（结果是我的 CNN 输出张量）

但是在回归问题中，比如语义分割和对象检测，我发现我必须使用 l2-loss 函数。

tf.nn.l2_loss(t=result)

我不知道如何使用这个函数，因为我不能使用 tf.argmax 函数。

【源码1】分类，用到了softmax和tf.argmax

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=result, labels=Y))
print("* Cross Entropy SIZE : " + str(cross_entropy))

Result_argmax = tf.argmax(tf.nn.softmax(result), 1)
Label_argmax = tf.argmax(Y, 1)
print("* Result Argmax : ", Result_argmax)
print("* Label Argmax : ", Label_argmax)

ay = tf.argmax(tf.nn.softmax(result), 1)
ly = tf.argmax(tf.nn.softmax(Y), 1)
correct_prediction = tf.equal(Result_argmax, Label_argmax)
print("* tf.argmax : " + str(Result_argmax))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

train_step = tf.train.AdamOptimizer(0.0001 * batchsize).minimize(cross_entropy)

这很简单，我完全理解。

[源码2]回归，使用l2_loss函数

l2_loss = tf.reduce_mean(tf.nn.l2_loss(t=result))
print("** L2 Loss SIZE : " + str(l2_loss))
train_step = tf.train.AdamOptimizer(0.0001 * batchsize).minimize(l2_loss)

????????

正确吗？我不明白如何进行盒子位置学习。

还有，我的学习监视器被捕获了。

真的，真的我无法理解。 请帮助我！

（最后，这是我捕获的会话图像。）

Answer 1

物体检测由分类和回归两部分组成，也就是说，我们不仅要对图像上的物体进行正确分类，还需要正确定位物体。

虽然有些对象检测框架确实看起来像回归模型（YOLO、SSD），但损失函数并不像 L2 损失那么简单。其实损失函数由两部分组成，crossentropyloss for classification 和regressionloss for localization，这里regressionloss 通常使用L2 loss。

以下是一些常见的物体检测模型的损失函数。

SSD model.

YOLO model