另外,论文考虑bbox的三要素,重叠区域,中心点距离和长宽比,进一步提出了Complete IoU(CIoU) loss,收敛更快,效果更好。 二、对 IoU Loss 和GIoU Loss 的分析 为了全面地分析IoU loss和GIoU的性能,论文进行了模拟实验,模拟不同的距离、尺寸和长宽比的bbox的回归情况。 1、Simulation Experiment 图3、Simulation Expe...
IoU loss顾名思义就是直接通过IoU计算梯度进行回归,论文提到IoU loss的无法避免的缺点:当两个box无交集时,IoU=0,很近的无交集框和很远的无交集框的输出一样,这样就失去了梯度方向,无法优化。IoU loss的实现形式有很多种,除公式2外,还有UnitBox的交叉熵形式和IoUNet的Smooth-L1形式 这里论文主要讨论的类似YOLO的...
IoU loss顾名思义就是直接通过IoU计算梯度进行回归,论文提到IoU loss的无法避免的缺点:当两个box无交集时,IoU=0,很近的无交集框和很远的无交集框的输出一样,这样就失去了梯度方向,无法优化。IoU loss的实现形式有很多种,除公式2外,还有UnitBox的交叉熵形式和IoUNet的Smooth-L1形式 这里论文主要讨论的...
以MS COCO上的YOLACT为例,使用NVIDIA GTX 1080Ti GPU可以达到27.1 FPS,同时本文的方法在目标检测上提升了1.7 AP和6.2 AR100,在实例分割上提升了0.9 AP和3.5 AR100。 下面是论文具体框架结构以及实验结果:
为了全面地分析IoU loss和GIoU的性能,论文进行了模拟实验,模拟不同的距离、尺寸和长宽比的bbox的回归情况。 1、Simulation Experiment 图3、Simulation Experiment 如图3所示,实验选择7个不同长宽比(1:4, 1:3, 1:2, 1:1, 2:1, 3:1, 4:1)的单元box(area=1)作为GT,单元框的中心点固定在(7, 7),而...
CIoU loss表达式: 6.DIoU用于NMS 原始NMS中,IoU度量用于抑制冗余的检测框,IoU小于一定阈值的都删除,其中重叠区域是唯一因素; 对于遮挡等情况,经常会错误抑制,降低检测器性能; 提出将DIoU作为NMS准则,则不仅考虑到重叠区域,还考虑到了两个box中心点距离
论文地址:http://arxiv.org/pdf/1911.08287v1.pdf代码:https://github.com/zzh-tju/diou.来源:天津大学论文名称:Distance-IoU Loss: Faster and Better Learning for Bounding BoxRegression原文作者:Zhaohui Zheng 边界盒回归是目标检测的关键步骤。在现有的方法中,虽然n范数损失被广泛地应用于包围盒回归,但不适...
其中是权重函数。v用来衡量anchor框和目标框之间的长宽比的相似性。 由定义可以看出来,损失函数会更加倾向于往重叠区域增多方向优化: 最后,CIoUloss的梯度类似于DIoUloss,但还要考虑的梯度。w,h取值范围[0,1 DIoU论文笔记 论文链接文章目录 重要观点 关于IOU和GIoU一些方法将来可能用到DIoU和CIouDiouCIouBP细节 ...
论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression(2019.11,天津大学) 图4a 边界框回归的 DIoU 损失,其中可以直接最小化中心点之间的归一化距离。c 是覆盖两个框的最小封闭框的对角线长度,d 是两个框的中心点之间的距离。
除了DIoU损失,论文还提出了一个更全面的回归损失:CIoU损失(Complete IoU Loss),它相比DIoU损失还增加了对高宽比的约束,其计算公式如下: \mathcal{L}_{CIoU}=1-IoU+\frac{\rho^2(\mathbf{b},\mathbf{b}^{gt})}{c^2} + \alpha v \\ 这里的v用于计算预测框和目标框的高宽比的一致性,这里是用tan...