Ի՞նչ է նշանավորումը հայտնաբերման խնդիրում և ինչպես է ձևավորվում կորուստների ֆունկցիան։

Օբյեկտների հայտնաբերման խնդիրում, նպատակն (target) տվյալներն են օբյեկտների դիրքի և դասի մասին պատկերում: Սովորաբար, դա նշումների հավաքածու է, որը ներառում է.

• Հետագծային տուփերի (bounding boxes) կոորդինատները, օրինակ, (x, y, լայնություն, բարձրություն) կամ (x_min, y_min, x_max, y_max) ձևաչափով:
• Յուրաքանչյուր տուփին համապատասխանող օբյեկտի դասերը:

Հատկապես հայտնաբերման կորուստային ֆունկցիան սովորաբար միավորում է մի քանի բաղադրիչներ:

1. Տեղեկատվական կորուստ — չափում է տուփերի կոորդինատների կանխատեսման սխալը (օրինակ, Smooth L1 կորուստ):
2. Կատեգորիայի կորուստ — գնահատում է օբյեկտի դասի կանխատեսման ճշգրտությունը (օրինակ, խաչ-энтրոպիա):
3. Երբեմն ավելացվում են լրացուցիչ բաղադրիչներ, օրինակ, վստահության գնահատման համար (confidence loss):

Ընդհանուր կորուստային ֆունկցիան այս բաղադրիչների քաշային գումարումն է, որը օպտիմալացվում է մոդելի ուսուցման ժամանակ՝ ավելի լավ կանխատեսելու համար ինչպես դիրքը, այնպես էլ օբյեկտի դասը։