参考文献：https://www.zhuanzhi.ai/document/cd49eeb11c338b1feaf4e6feae84ec5d
github【以simpledet为基础网络】：https://github.com/chengzhengxin/groupsoftmax-simpledet
1.能解决的问题
- 在不重新标注原有数据的情况下，对新的标注数据，增加某些新的类别
- 在不重新标注原有数据的情况下，对新的标注数据，修改原有的类别标准，比如将某个类别拆分成新的几个类别
- 已标注数据集中，出现概率较高的类别一般属于简单样本，对新的数据只标注出现概率较低的类别，能够显著降低标注成本
- 在标注大型目标检测数据集时，只标注矩形框，而不选择类别属性，能够有效降低标注成本
GroupSoftmax 交叉熵损失函数允许类别 K 和类别 j 发生合并，形成一个新的组合类别 g ，当训练样本 y 的真实标签为组合类别 g 时，也能够计算出类别 K 和类别 j 的对应梯度，完成网络权重更新。理论上， GroupSoftmax 交叉熵损失函数能够兼容任意数量、任意标注标准的多个数据集联合训练。
在参考文献中举例说明了为什么现实生活中需要这个损失函数，当数据集中原有的类别C4='自行车'，C5='电动车'需要合并成C='非机动车类'时，可以使用GroupSofmax函数进行训练，而不是使用大量人工对样本进行标注。
2.公式的推导
损失函数的定义【对于群组类这个类的损失计算如下】：
上式中，g表示一个群组类，比如说刚刚的非机动车类，里面就包含了自行车和电动车两个类；也有可能就是一个单独的摩托车类别谁也不包含。其中为群组类的概率，公式如下【是两个类的概率和】：
与Softmax损失函数一样，可以使用复合求导的方式进行求导【得到分类对于之前传向它的每个分类的分支的导数】，因此有：
1)公式一：
有两种情况，第一，当 群组类别g中包含了m类别【当样本m为自行车时，群组类别g=非机动车包含了m,但群组类g=摩托车不包含m】
第二，当 群组类别g中不包含m类别
2)公式二：
又要分情况讨论了，
第一，当对应的输出分支为正样本时，这种情况又有两种情况：
m既是正样本 群组类g又包含m类，有
m是正样本 群组类g不包含m类，有
所以有，
第二，当对应的输出分支为负样本时， 这种情况又有两种情况：
m既是负样本 群组类g又包含m类，有
m是负样本 群组类g不包含m类，有
所以有，
3)最后举个例子
对于群组类g=非机动车类来说，当m=电动车时，有
对于群组类g=非机动车类来说，当m=摩托车时，有