在原始的NMS中,IoU指标用于抑制多余的检测框,但由于仅考虑了重叠区域,经常会造成错误的抑制,特别是在bbox包含的情况下。因此,可以使用DIoU作为NMS的标准,不仅考虑重叠区域,还考虑了中心点距离。(基于DIoU作为NMS标准,虽然多了距离这个维度去考虑问题,但和NMS面对的同样的情况是当两个不同的目标本身就靠的很近的时...
因此,研究者使用所提出的DIoU替代IoU作为NMS的评判准则,公式如下: 方法: 第一步:修改general.py,重新定义NMS模块。 def NMS(boxes, scores, iou_thres, GIoU=False, DIoU=False, CIoU=False): """ :param boxes: (Tensor[N, 4])): are expected to be in ``(x1, y1, x2, y2) :param scores:...
对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快,而GIoU损失几乎退化为IoU损失。 DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。 3.实现代码[3] defDiou(bboxes1,bboxes2):rows=bboxes1.shape[0]cols=bboxes2.shape[0]dious=torch.zeros((rows...
在训练阶段IoU可以作为anchor-based方法中,划分正负样本的依据;同时也可用作损失函数;在推理阶段,NMS中会用到IoU。同时IoU有着比较严重的缺陷,于是出现了GIoU、DIoU、CIoU、EIoU,下面我们一起看一下这几种IoU。 二、IoU(Intersection over Union) IoU的计算是用预测框(A)和真实框(B)的交集除以二者的并集,其公式...
DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。 实现代码:[3] 四、CIoU(Complete-IoU) 论文考虑到bbox回归三要素中的长宽比还没被考虑到计算中,因此,进一步在DIoU的基础上提出了CIoU。其惩罚项如下面公式: 实现代码:[5]...
此外,DIoU 可以很容易地用于非最大抑制(NMS)作为标准,进一步促进性能提升。注释:这里IoU指标方面和GIoU指标方面指的是在:目标检测精度测量(mAP值),IoU损失计算稳定性等一些方面。 目标检测是计算机视觉任务中的关键问题之一,几十年来一直受到了广泛的研究关注 (Redmon et al. 2016;Redmon and Farhadi 2018; Ren ...
(3)DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。 缺点: 虽然DIOU能够直接最小化预测框和真实框的中心点距离加速收敛,但是Bounding box的回归还有一个重要的因素纵横比暂未考虑。如下图,三个红框的面积相同,但是长宽比不一样,红框与绿框中心点重合,这时三种情况的DIoU相同,...
公式如下: 优点: (1)DIoU loss可以直接最小化两个目标框的距离,因此比GIoU loss收敛快得多。 (2)对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快。 (3)DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。
公式如下: 优点: (1)DIoU loss可以直接最小化两个目标框的距离,因此比GIoU loss收敛快得多。 (2)对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快。 (3)DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。
3.5 soft-nms 主要的思路: 对于当前置信度最高框与剩余框做一个iou,对于iou较高的预测框重复率应该是比较高的,对于这些预测框用宇哥衰减公式,其作用是对于iou较高的预测框衰减得最快,因为是呈指数形式衰减的。衰减后保留置信度仍然对于置信度阈值(这里设置为0.1),对于剩下的预测框的含义是重复率不算太高的。这...