损失函数DIOU的计算方法

最新推荐文章于 2024-04-30 07:43:30 发布
最新推荐文章于 2024-04-30 07:43:30 发布
阅读量416 收藏
点赞数
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AI_dataloads/article/details/134387959
版权

目录

什么是DIOU

DIOU的原理

结论

什么是DIOU

DIOU是Distance Intersection over Union的缩写，它是一种衡量预测框与真实框重叠程度的指标，常用于深度学习领域的目标检测或语义分割任务中。

DIOU的原理

对于GIoU，当预测框在真实框内部且预测框面积相等时，GIoU无法区分预测框和真实框的相对位置关系

对此DIoU引入中心距离，具体定义如下：

L_{DIOU}=1-IOU+\frac{\rho ^{2\left ( b,b^{gt} \right )}}{c^{2}}

其中d为预测框和真实框中心点的距离，c 为最小外接矩形的对角线距离

结论

最小化DIoU损失函数可以直接拉近预测框和真实框之间的距离，收敛速度快，并解决GIOU问题。

AI_dataloads
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
IoU、GIoU、DIoU、CIoU详解及python代码实现
m0_53114462的博客
05-30 3458
一、IoU、GIoU、DIoU、CIoU详解： （1）IoU IoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示： 由图可知IoU的值域为[0, 1]。 IoU的优点： 1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。 2、 IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。 IoU的缺点： 1、当预测框和真实框不相交时，IoU(A,B)=0时
L1 LOSS -- EIoU loss 一览 .pdf
02-03
L1 LOSS -- EIoU loss
IoU、GIoU、DIoU、CIoU计算方法
Ray_awakepure的博客
11-28 4518
IoU IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。 可以说它可以反映预测检测框与真实检测框的检测效果。 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性) IoU的一种实现
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-30 741
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
DIOU
Major_S的博客
03-10 1239
DIOUDIOUDIOU
目标检测中的回归损失函数系列四：DIoU Loss / CIoU Loss
梦坠凡尘
05-12 1万+
论文：https://arxiv.org/pdf/1911.08287.pdf YOLOv-DIoU开源代码：https://github.com/Zzh-tju/DIoU-darknet
目标检测算法常用Loss——DIoU GIoU CIoU
AI_eNyu的博客
05-07 2645
目标检测算法常用Loss 文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充 1. 差值平方损失 在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。 2. IoU Loss 如下图三种不同的情况，明显第三个预测框与
YOLOV3-损失函数及其源代码理解
01-06
YOLOV3-损失函数及其源代码理解（yolo_layer.c） 讲得好 https://github.com/AlexeyAB/darknet/issues/821 x,y,w,h 损失 原版的bbox损失为MSE，其后又GIOU，DIOU… delta即为求完损失的梯度 公式对应图 思路及具体...
matlab计算目标面积代码-DIoU:距离-IoU损失：更快更好地了解边界框回归（AAAI2020）
05-22
matlab计算目标面积代码 Complete-IoU丢失和Cluster-NMS，用于改善对象检测和实例分段。 新品发布！ 这是我们论文的代码： [Distance-IoU损失：更快更好的边界框回归学习] [] [] @Inproceedings{zheng2020distance, ...
diou-diounms.txt
12-26
yolov5-6.0-diou以及diou-nms，纯代码，复制粘贴可用，此代码运行不同数据集的结果与传统6.0版本yolov5对比，结果可用于发硕士毕业论文或者小论文，不信可以去知网搜有没有相关文章
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 3742
一、IOU Loss上一篇文章提到L1,L2及其变种只将Bounding box的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。文章链接：https:...
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
热门推荐
路人贾的博客
06-20 2万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
目标检测中的预测框回归优化之IOU、GIOU、DIOU、CIOU和EIOU
哆啦A梦爱学习的博客
03-16 1万+
点击上方“码农的后花园”，选择“星标”公众号精选文章，第一时间送达目标检测分为：目标分类+目标定位两个任务。目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度......
【DIoU CIoU】DIoU和CIoU损失函数理解及代码实现
计算机视觉方面的点点滴滴，欢迎一起讨论
05-27 3385
文章目录1 引言2 问题分析3 作者思考4 DIoU Loss计算过程5 CIoU Loss计算过程6 IoU/GIoU/DIoU/CIoU代码实现可视化7 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss -->
损失函数（IoU、GIoU、DIoU、CIoU）
XiaoGShou的博客
06-23 5713
一：IoU 1：笔记原页 IoU Loss = 1-IoU 2：IOU优缺点 目标检测中常常用iou来衡量proposal或anchor和gt之间的重合度，也就是他们之间的交并比，是目标检测中重要的评价尺度，鲜明的特点就是对尺度scale不敏感。然而没有方向信息，无法指导神经网络应该如何调整： · 如果两个框没有交集，则IOU=0，不能反映两者距离的大小，并且loss=0，没有梯度回传，神 经网络无法学习； ·IoU无法精确的反映两者的重合度大小 ...
【目标检测算法】IOU、GIOU、DIOU、CIOU
weixin_44001371的博客
12-07 1063
IOU --> GIOU --> DIOU -->CIOU损失函数，每一种损失函数都较上一种损失函数有所提升。下面来具体介绍这几种损失函数。CIOU的对比重叠面积、中心点距离、纵横比IoU: 考虑了重叠面积，归一化坐标尺度GIoU： 考虑了重叠面积，基于IoU解决边界框不相交时loss等于0的问题。DIoU： 考虑了重叠面积、中心点距离，基于IoU解决GIoU收敛慢的问题CIoU： 考虑了重叠面积、中心点距离、纵横比，基于DIoU提升回归精确度。
目标检测中的损失函数IoU、GIoU、DIoU、CIoU、SIoU
CHEN的博客
06-14 1万+
目标检测中的一些常用的IOU损失函数优缺点比较以及代码实现，以及最新出来得SIoU损失函数
DIoU损失函数原理
最新发布
05-22
DIoU是一种用于目标检测中的损失函数，它的全称是Distance-IoU loss。它是在IoU（交并比）的基础上引入了距离度量的概念，用于提高目标检测模型的精度。 DIoU损失函数的原理如下： 首先，我们计算出预测框与真实框之间的IoU，然后再加上一个距离度量。这个距离度量可以是两个框中心点之间的欧氏距离、宽高之间的欧氏距离或者两个框对角线之间的欧氏距离等等。最终，我们将距离度量的值除以一个归一化因子（这个因子可以是两个框对角线之和的平方或者两个框宽高之和的平方）。 DIoU损失函数的优点在于它不仅能够度量两个框之间的位置差异，还能够度量它们之间的形状差异。因此，它能够更好地惩罚预测框与真实框之间的偏移和形状变化，从而提高目标检测模型的精度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值