关于Yet-Another-EfficientDet-Pytorch 的输出，loss分析

链接: https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch.

features, regressions, classifications, anchors = model(imgs)

第一个输出features，
代入第二，三，四个输出相关的函数中，相当于第二阶网络，
得到第二，三，四个输出

regressions= self.regressor(features)
classifications= self.classifer(features)
anchors = self.anchors (imgs)

一.
其中features没有用在loss 函数里，同时features是efficientdet骨干网络（主网络）输出的feature
但features合并了3个level层的feature

二.
regressions 是features 作为输入的一个网络（第二阶网络）的输出，相当于做卷积运算
（每层都输出 [x,y,height,width]，3层合并），
shape (batch_size, 10000+ ,4)

三.
classification 是features 作为输入的一个网络（第二阶网络）的输出，相当于做卷积运算
（每层都输出 [one-hot] 类别的矩阵，3层合并）
shape (batch_size, 10000+ ,num_class)

bce = -(targets * torch.log(classification) + (1.0 - targets) * torch.log(1.0 - classification))
cls_loss = focal_weight * bce

分类损失，用的是binary-cross-entropy loss，并且前置系数（focalloss）
计算过程（个人观点）：
1.如80分类，每一类:是与不是的概率求log，并于target系数相乘（target系数只有0,1两种情况），
2.得到一个长度80的输出，和focal_weight 系数相乘（focal_weight可查看focalloss相关讲解，论文。我的理解是，不同类别根据识别的难易程度，设置不同权重）
3.最终的长度80的输出，求均值或求和，得到分类损失

四.
anchors 用于 和target的标注的联合计算，进行自适应变换，
变换成对应regressions 的尺寸大小（对应3个level）的 size，
好跟regressions 计算求loss（focalloss。。。带系数的cross entropy loss），得到边框回归损失
shape (batch_size, 10000+ ,4)