GIOU Loss不仅考虑了框之间的重叠情况,还考虑了它们的位置关系。具体而言,GIOU Loss利用了最小外接矩形的面积来衡量两个框之间的位置和形状差异。通过将最小外接矩形的面积纳入损失函数的计算中,GIOU Loss能够更好地反映出预测框和真实框之间的距离和相对位置,从而更准确地指导模型的训练过程。公式如下: ...
DIOU最终损失函数为:L(DIoU) = 1 - DIOU 当采用DIOU loss,mAP为46.57,相较于Iou和GIOU准确率都有提高,且收敛速度相比IOU提高了3%左右。 CIOU LOSS: 论文中,作者表示一个优秀的回归定位损失应该考虑三种几何参数:重叠面积、中心点距离、长宽比。CIoU就是在DIoU的基础上增加了检测框尺度的loss,增加了长和宽...
回归损失函数的发展过程主要包括:最原始的Smooth L1 Loss函数、2016年提出的IoU Loss、2019年提出的GIoU Loss、2020年提出的DIoU Loss和最新的CIoU Loss函数。 Smooth L1 Loss函数 在早期的目标检测算法中它们一般使用MSE作为损失函数,之后Fast R-CNN提出了Smooth L1的损失函数,它们的共同点都是使用两个角点,四个坐...
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...本文提出了一个Distance-IoU (DIoU) loss,合并了预测框和目标框之间的标准化距离,在训...
IoU、GIoU、DIoU、CIoU损失函数 IoU、GIoU、DIoU、CIoU损失函数 ⽬标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。⽬标检测任务中近⼏年来Bounding Box Regression Loss Function的演进过程，其演进路线是 ⼀、IOU(Intersection over Union)1. 特性(优点)IoU就是我们所说...
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程,其演进路线是Smooth L1 Loss IoU Loss GIoU Loss DIoU Loss CIoU Loss,本文按照此路线进行讲解。
GIOU损失函数的最终表达形式是L(GIOU) = 1 - GIOU 上表是原论文中的实验效果:第一列(AP-IoU一列)采用MSE(l2损失)的mAP=0.461,采用IoU损失得到的mAP=0.466,有些许提升。如果采用GIoU loss,能达到0.477,效果比IOU更好。 但是,GIOU也存在它的缺点:...
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程,其演进路线是Smooth L1 Loss IoU Loss GIoU Loss DIoU Loss CIoU Loss,本文按照此路线进行讲解。
GIoU Loss 缺点: 当预测框和目标框不相交时,IoU(A,B)=0时,不能反映A,B距离的远近,此时损失函数不可导,IoU Loss 无法优化两个框不相交的情况。 假设预测框和目标框的大小都确定,只要两个框的相交值是确定的,其IoU值是相同时,IoU值不能反映两个框是如何相交的。
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文将介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss、IoU Loss、GIoU Loss、DIoU Loss和CIoU Loss。1. Smooth L1 Loss 假设x为预测框和真实框之间的...