MPDIoU(Intersection over Union with Minimum Points Distance)是一种用于高效且准确的边界框回归的损失函数。 2.1 IoU计算原理 IoU(Intersection over Union)即交并比,用于衡量预测边界框和真实边界框的重合程度。 1. 交集计算: - 首先确定预测边界框和真实边界框的交集区域。 - 对于两个以左上角和右下角坐标表示...
通过分析边界框回归模型,inner_iou论文中发现区分不同的回归样本,并使用不同尺度的辅助边界框来计算损失,可以有效加速边界框回归过程。对于高IoU样本,使用较小的辅助边界框计算损失可加速收敛,而较大的辅助边界框适用于低IoU样本。 本文将RT-DETR默认的CIoU损失函数修改成inner_IoU、inner_GIoU、inner_DIoU、inner_CI...
本文记录的是改进RT-DETR的损失函数,将其替换成Focaler-IoU。现有研究通过利用边界框之间的几何关系来提高回归性能,但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同,对于简单样本占主导的检测任务,关注简单样本的边界框回归有助于提高检测性能;对于困难样本比例较高的检...
本文记录的是改进RT-DETR的损失函数,将其替换成Shape-IoU。现有边界框回归方法通常考虑真实GT(Ground Truth)框与预测框之间的几何关系,通过边界框的相对位置和形状计算损失,但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足,Shape-IoU提出了一种关注边界框本身形状和尺度的边界框...
NWD损失函数设计为: LNWD=1−NWD(Np,Ng) ,其中 Np 是预测框P的高斯分布模型, Ng 是真实边界框 G 的高斯分布模型。 在这里插入图片描述 三、NWD的实现代码 模块完整介绍、个人总结、实现代码、模块改进、以及各模型添加步骤请访问如下地址: RT-DETR改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度...
在卷积神经网络中,激活函数通过在神经网络中引入非线性,使网络能够学习和逼近复杂函数,从而处理复杂的模式识别与分类问题。 专栏目录:RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址:RT-DETR改进专栏—以发表论文的角度,快速准确的找到有效涨点的创新...
一、本文介绍本文记录的是改进RT-DETR的损失函数,将其替换成Slide Loss,并详细说明了优化原因,注意事项等。Slide Loss函数可以有效地解决样本不平衡问题,为困难样本赋予更高的权重,使模型在训练过程中更加关…
专栏地址:RT-DETR改进专栏—以发表论文的角度,快速准确的找到有效涨点的创新点! 二、原理 Wise-IoU是一种基于IoU的损失函数,旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。 2.1 原理 动态非单调FM原理 — WIoU v3 定义异常值程度β=LIoULIoU¯其中LIoU 是锚框与目标框的IoU损失, LIoU...
一、本文介绍本文记录的是利用带有注意力机制的激活函数ARelu改进RT-DETR的方法研究。v11默认的激活函数是Silu,通过引入了非线性因素,使网络能够学习和拟合更复杂的函数关系,但在处理梯度消失问题上能力相对较…