三、GIoU(Generalized IoU) 四、DIoU(Distance-IoU) 五、CIoU(Complete-IoU) 六、EIoU(Efficient-IoU) 七、pytorch代码实现 八、总结 一、简介 在目标检测任务中,常用到一个指标IoU,即交并比,IoU可以很好的描述一个目标检测模型的好坏。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...
为了解决CIoU的问题,有学者在CIOU的基础上将纵横比拆开,提出了EIOU Loss,并且加入Focal聚焦优质的预测框,与CIoU相似的,EIoU是损失函数的解决方案,只用于训练。 EIOU的惩罚项是在CIOU的惩罚项基础上将纵横比的影响因子拆开分别计算目标框和预测框的长和宽,该损失函数包含三个部分:重叠损失,中心距离损失,宽高损失,前两...
为了解决IoU作为损失函数时的两个缺点,有大神提出了GIoU,在IoU后面增加了一项,计算两个框的最小外接矩形,用于表征两个框的距离,从而解决了两个目标没有交集时梯度为零的问题,公式为: 当IOU为0时,意味着A与B没有交集,这个时候两个框离得越远,GIOU越接近-1;两框重合,GIOU=1,所以GIOU的取值为(-1, 1]。
GIOU在基于IOU特性的基础上引入最小外接框解决检测框和真实框没有重叠时loss等于0问题。 DIOU在基于IOU特性的基础上考虑到GIOU的缺点,直接回归两个框中心点的欧式距离,加速收敛。 CIOU就是在DIOU的基础上增加了检测框尺度的loss,增加了长和宽的loss,这样预测框就会更加的符合真实框。 EIOU在CIOU的基础上分别计算...
如果使用CIOU,mAP可以达到49.21%,相比于GIoU涨了1.5个百分点。CIOU(D)指在验证模型评价mAP时,将IOU换成DIOU,准确率还有提升 。 实际检测效果中,CIOU相比GIOU在框选目标时,能找到一个更合适的框选位置。如上图所示,第一行的两张图中,第一个猫猫使用...
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。 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。
简介:再战IOU | 总结分析IOU/GIOU/CIOU局限,提出Focal EIOU进一步提升目标检测性能(二) 3、Focal Loss For BBR 在BBR中,也存在训练实例不平衡的问题,即由于图像中目标目标的稀疏性,回归误差较小的高质量例子的数量远少于低质量例子(异常值)。最近的研究表明,离群值会产生过大的梯度,这对训练过程有害。因此,制作...
与IoU相似的评价指标有GIoU、DIoU、CIoU和EIoU。 IoU,即交并比,是衡量目标检测模型性能的重要指标,其计算公式为预测框与真实框的交集除以二者的并集。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。然而,IoU存在一些缺陷,因此出现了以下几种IoU的变种...
GIoU = IoU - (Ac - u) / Ac Ac是包含两框的最小闭包区域面积，u是预测框和真实框的并集面积。DIoU（Distance IoU）在此基础上，引入中心点距离的归一化，更全面地考虑了检测框中心与目标框的匹配度，通过调整NMS（非极大抑制）的决策标准，减少误抑制。最后，CIoU（Complete IoU）考虑了长宽比，...
DIoU进一步改进GIoU，通过最小化预测框与真实框的中心点标准化距离，加速损失收敛，尤其在水平和垂直方向上表现更优。DIoU还常应用于NMS中，提高检测结果的合理性。CIoU在DIoU的基础上引入了纵横比因子，解决了宽高比影响下模型优化的问题，更全面地考虑几何因素。但有时会阻碍模型优化相似性。EIoU进一步...