《Distance-IoU Loss:Faster and Better Learning for Bounding Box Regression》论文笔记,程序员大本营,技术文章内容聚合第一站。
论文:Focal and Efficient IOU Loss for Accurate Bounding Box Regression 动机:1. ln 损失函数和现有的基于 IoU 的损失函数都不能很好的描述 bbox ,导致模型收敛慢和不准确;2. 大多数损失函数忽略了正负样本不平衡的问题,即大量与目标框重叠面积较小的预测框在最终的 bbox 优化中占用了绝大部分的贡献。 EIO...
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 论文 Adelaide, Australia 时间:2019.2 摘要 IoU是目标检测中最常见的评估指标,但是目前常用检测任务中的BBox的回归损失(MSE, l1等)优化和IoU优化不是完全等价的。故...常用的Loss函数例如l1,l2范数等却对尺度敏感,故用来做...
文献阅读《Diag-IoU Loss for Object Detection》 作者:Shuangqing Zhang, Chenglong Li , Zhen Jia , Lei Liu, Zhang Zhang , and Liang Wang 单位:安徽大学 会议:IEEE Transactions on Circuits and Systems for Video Technology 链接:10.1109/TCSVT.2023.3277621 研究动机 在目标检测中,现有的基于IoU(Intersectio...
DIoU将目标与anchor之间的距离,重叠率以及尺度都考虑进行,使得目标框回归更加稳定。可参考论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 它的计算公式是: 其中, 分别表示预测框和真实框的中心点,且 代表的是计算两个中心点的欧式距离。
DIoU Loss 论文为了解决第一个问题,提出了Distance-IoU Loss(DIoU Loss)。 这个损失函数中, b b b, b g t b^{gt} bgt分别代表了Anchor框和目标框的中心点, p p p代表计算两个中心点的欧式距离, c c c代表的是可以同时覆盖Anchor框和目标框的最小矩形的对角线距离。因此DIoU中对Anchor框和目标框之间...
一般而言,IoU-based loss可以定义为公式5,是预测box和的惩罚项。 1、Distance-IoU Loss 论文提出了能减少两个box中心点间的距离的惩罚项,和分别表示和的中心点。是欧氏距离,是最小包围两个bbox的框的对角线长度。 DIoU loss的完全定义如公式7。 图5 ...
Alpha-IoU Loss: 论文的名字很好,反映了本文的核心想法。作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss,该系列具有一个Power IoU项和一个附加的Power正则项,具有单个Power参数α,称这种新的损失系列为α-IoU Loss。 前言 总所周知,目标检测通过Bounding box回归来预测来定位图像中的目标,早期的目标...
GIOU是为克服IOU的缺点同时充分利用优点而提出的.(论文:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression) 1.假设A为预测框,B为真实框,S是所有框的集合 2.不管A与B是否相交,C是包含A与B的最小框(包含A与B的最小凸闭合框),C也属于S集合 ...
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:当两个预测框高宽相同,且处于同一水平面时,GIOU就退化...