1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏,包含大量的改进方式,主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法,如将注意力机制添加到网络的不同位置,便于做实验,也可以当做论文的创新点。
2.涨点效果:添加Wiseiou,可以有效涨点
摘要:边界盒回归(BBR)的损失函数是目标检测的关键。它的良好定义将为模型带来显著的性能改进。现有的大部分工作都假设训练数据中的样例是高质量的,并着重于增强BBR损失的拟合能力。如果盲目地在低质量样本上加强BBR,将会危及本地化性能。Focal-EIoU v1是为了解决这一问题而提出的,但由于其静态调焦机制(FM),使得非单调调频的潜力没有得到充分发挥。基于这一思想,我们提出了一种基于iou的动态非单调调频损耗,称为Wise-IoU (WIoU)。
动态非单调调频用离群度代替IoU来评价锚盒的质量,提供了一种明智的梯度增益分配策略。这种策略降低了高质量锚盒的竞争力,同时也减少了低质量样例产生的有害梯度。这使得WIoU可以专注于普通质量的锚盒,并提高探测器的整体性能。当WIoU应用于最先进的实时探测器YOLOv7时,MS-COCO数据集的AP75从53.03%提高到54.50%。
在本文中,我们观察到训练数据中的低质量样例会阻碍目标检测模型的泛化。现有的研究大多局限于静态调焦机制,没有充分发挥非单调调焦机制的潜力。虽然他们提倡的单调调频可以提高定位性能,但并不能解决这一问题。我们提出了一种动态非单调调频,可以降低高质量锚盒的竞争力