IoU 是目标检测中常用的评估指标,IoU 的发展随后经历了GIoU、DIoU、CIoU 等。上述评价指标对于普通中大目标已有较好的效果,但是由于IoU 对小目标过于敏感,效果仍显不足。因此采用一种合适的评价指标能够提高小目标的定位精度。
SIoU
传统的目标检测损失函数依赖于预测框和真实框的距离、重叠区域以及纵横比等边界框回归指标。现如今的方法没有考虑真实框与预测框之间方向的匹配度,在训练过程中预测框可能徘徊于真实值,导致收敛速度较慢、效率较低。
SIoU 损失函数由Angle cost、Distance cost、Shapecost、IoU cost 这4 个损失函数组成。最终的损失函数由框损失和分类损失两部分组成:
由于SIoU 考虑了真实框与预测框之间的角度,辅助了两框之间距离的计算,因此加快了网络的收敛速度,防止网络在最优解附近跳动,但不能确保网络收敛于最优点。此外角度、距离以及形状三者的损失权重没有更好的定义,SIoU 在不同数据集上的效果不一。
NWD
先将边界框建模为二维高斯分布, 然后使用NWD(Normalized Wasserstein Distance)来度量导出高斯分布的相似性。NWD 无论目标之间是否重叠均能够度量其相似性,且对尺度不敏感,因此更适用于小目标的检测。
mbd.pub/o/GeBENHAGEN
擅长现代信号处理(改进小波分析系列,改进变分模态分解,改进经验小波变换,改进辛几何模态分解等等),改进机器学习,改进深度学习,机械故障诊断,改进时间序列分析(金融信号,心电信号,振动信号等)