SIoU Loss: More Powerful Learning for Bounding Box Regression Authors论文发表:Arxiv 2022作者单位:Russian–Armenian University代码:https://github.com/arojsubedi/SIoU(非官方复现)Motivation本文动…
type='mmdet.CrossEntropyLoss', use_sigmoid=True, reduction='mean', loss_weight=loss_cls_weight * (num_classes / 80 * 3 / num_det_layers)), # 修改此处实现IoU损失函数的替换 loss_bbox=dict( type='IoULoss', iou_mode='innersiou', bbox_format='xywh', eps=1e-7, reduction='mean',...
SIoU Loss:Powerful Learning for Bounding Box Regression Regression Loss 介绍 SIoU设计思路 复现SIoU Paddledetction下载安装、数据集下载 训练 Loss修改 GIoU、CIoU、SIoU训练mAP可视化 总结 BML Codelab基于JupyterLab 全新架构升级,支持亮暗主题切换和丰富的AI工具,详见使用说明文档。 SIoU Loss:Powerful Learning...
2.5 SIoU Loss 最后,回归损失函数为: 总损失函数为: 其中 是Focal Loss, 、 分别是框和分类损失权重。为了计算 、、, 使用了遗传算法。 3 实验结果 图10 总结了不同模型与 mAP@0.5:0.95 的推理时间。显然,Scylla-Net 的 mAP 值较高,而模型推理时间远低于比较模型的推理时间。 图10 COCO-val 上 ...
CIoU Loss虽然考虑了边界框回归的重叠面积、中心点距离及长宽比。但是其公式中的v反映的时长宽比的差异,而不是宽高分别与其置信度的真实差异,所以有时会阻碍模型有效的优化。 EIoU(arXiv2021) EIoU在CIoU的基础上将长宽比拆开,明确地衡量了三个几何因素的差异,即重叠区域、中心点和边长,同时引入Fcoal loss解决了难...
IOU-loss 算法作用:Iou的就是交并比,预测框和真实框相交区域面积和合并区域面积的比值,计算公式如下,Iou作为损失函数的时候只要将其对数值输出就好了。 算法代码: defIou_loss(preds, bbox, eps=1e-6, reduction='mean'):''' preds:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] ...
elif self.iou_type == 'siou': # SIoU Loss https://arxiv.org/pdf/2205.12740.pdf ''' 预测框和真实框坐标形式为xyxy,即左下右上角坐标或左上右下角坐标 ''' s_cw = (b2_x1 + b2_x2 - b1_x1 - b1_x2) * 0.5 #真实框和预测框中心点的宽度差 s_ch = (b2_y1 + b2_y2 - b1_...
SIoU: 为True时计算SIoU LOSS (新增) EIoU: 为True时计算EIoU LOSS (新增) WIoU: 为True时计算WIoU LOSS (新增) Focal: 为True时,可结合其他的XIoU生成对应的IoU变体,如CIoU=True,Focal=True时为Focal-CIoU alpha: AlphaIoU中的alpha参数,默认为1,为1时则为普通的IoU,如果想采用AlphaIoU,论文alpha默认值...
CIOU_Loss和DIOU_Loss前面的公式都是一样的,不过在此基础上还增加了一个影响因子,将预测框和目标框的长宽比都考虑了进去。 其中v是衡量长宽比一致性的参数,我们也可以定义为: 这样CIOU_Loss就将目标框回归函数应该考虑三个重要几何因素:重叠面积、中心点距离,长宽比全都考虑进去了。
IoU loss的函数定义为: 当边界框没有重叠时Liou对Wi求导会等于0,即: 此时Liou的反向投影梯度消失,在训练期间无法更新重叠区域Wi的宽度。 IoU损失会有两个主要的缺点: 1、当预测框与真实框都没有交集时,计算出来的IoU都为0,损失都为1,但是缺失距离信息,预测框与GT相对位置较近时,损失函数应该较小。