CSP-CVPR2019 Center-Scale预测代码-Loss与标签

接续前一篇博客内容，继续对CSP源码进行解析。

论文标题: High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection

论文链接: https://arxiv.org/abs/1904.02948

代码链接: https://github.com/liuwei16/CSP

本次重点分析CSP中Loss的实现方式。

在计算Loss之前，需要具备两个关键要素：预测结果与标签数据。预测结果来源于网络输出，这一概念相对容易理解。然而，本文所采用的标签形式与常规方法存在显著差异。由于采用了anchor free策略，作者将ground truth标签设计为高斯掩码图的形式，这与我们常见的标注方式截然不同。因此，本文将着重探讨CSP如何生成其特有的标签数据。

1. 数据集:

首先来看数据集部分，以cityperson为例进行说明。该数据集的标注信息与图像文件分别存储于两个不同的文件夹中。通常的操作流程是先读取标注文件，该文件以字典形式存储了包括bbox、文件路径等在内的相关信息。通过解析其中的图片路径信息，即可获取对应的图像内容。

![](https://ad.itadn.com/c/weblog/blog-img/images/2025-05-31/vhU39kd