锚框损失论文下载 Iou-Loss【IoU Loss、GIoU Loss、 DIoU Loss 、CIoU Loss、 CDIoU Loss、 F-EIoU Loss、α-IoU Loss】

最新推荐文章于 2024-06-13 12:49:16 发布
最新推荐文章于 2024-06-13 12:49:16 发布
阅读量1.4k 收藏 9
点赞数
分类专栏： Yolo Python+机器学习 文章标签： 计算机视觉 深度学习 目标检测
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/CeciliaXinn/article/details/124945933
版权

锚框损失 Iou-Loss

【IoU Loss、GIoU Loss、 DIoU Loss 、CIoU Loss、 CDIoU Loss、 F-EIoU Loss、α-IoU Loss】

论文打包下载

yolo系列论文https://download.csdn.net/download/CeciliaXinn/85450684

IOU Loss系列论文https://download.csdn.net/download/CeciliaXinn/85450680

一、IoU Los

UnitBox: An Advanced Object Detection Network - Intersection over Union

论文：https://arxiv.org/pdf/1608.01471.pdf

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kcYuRMQn-1653372766296)(https://cdn.jsdelivr.net/gh/ChristinaXinny/img_url_Typora@main/uPic/image-20220524135033481.png)]

二、GIoU Loss

（考虑重叠面积）Generalized Intersection over Union

论文：https://arxiv.org/pdf/1902.09630.pdf

在这里插入图片描述

三、DIoU Loss
（考虑重叠面积，中心点距离）Distance IoU

论文：https://arxiv.org/pdf/1911.08287.pdf

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1TNxAqKR-1653372766298)(https://cdn.jsdelivr.net/gh/ChristinaXinny/img_url_Typora@main/uPic/image-20220524135500112.png)]

四、CIoU Loss

（考虑重叠面积，中心点距离，宽高比）Complete IoU Loss

与DIoU同一篇的论文提出：https://arxiv.org/pdf/1911.08287.pdf

五、CDIoU Loss

(Control Distance IoU Loss)

论文：https://arxiv.org/pdf/2103.11696.pdf

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5MIJ3L8q-1653372766299)(https://cdn.jsdelivr.net/gh/ChristinaXinny/img_url_Typora@main/uPic/image-20220524135826636.png)]

六、F-EIoU Loss

（Focal and Efficient IOU Loss）

论文：https://arxiv.org/pdf/2101.08158.pdf

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-stqTqfKw-1653372766299)(https://cdn.jsdelivr.net/gh/ChristinaXinny/img_url_Typora@main/uPic/image-20220524140403425.png)]

七、Alpha-IoU Loss

作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列具有一个Power IoU项和一个附加的Power正则项，具有单个Power参数α。称这种新的损失系列为α-IoU Loss。

论文：https://arxiv.org/pdf/2110.13675.pdf

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bvO0eF5m-1653372766300)(https://cdn.jsdelivr.net/gh/ChristinaXinny/img_url_Typora@main/uPic/image-20220524140533528.png)]

chisaaa
关注
专栏目录
【深度学习】锚框损失 IoU Loss、GIoU Loss、 DIoU Loss 、CIoU Loss、 CDIoU Loss、 F-EIoU Loss
q742971636的博客
03-26 5322
文章目录IoU Los （Intersection over Union）GIoU Loss（考虑重叠面积）Generalized Intersection over UnionDIoU Loss（考虑重叠面积，中心点距离）Distance IoUCIoU Loss（考虑重叠面积，中心点距离，宽高比）Complete IoU LossCDIoU Loss (Control Distance IoU Loss)F-EIoU Loss（Focal and Efficient IOU Loss）在模型上的效果评
目标检测的Tricks | 【Trick3】IoU loss与focal loss（包含一些变体介绍）
Clichong
04-17 2838
如有错误，恳请指出。 这里介绍一下IoU loss与focal loss函数，之前的文章也有提及到，这里就不再过多的细说了。简单来说： IoU loss：用来计算pred box与ground true之间的差异，用来边界框损失函数的计算； focal loss：用来平衡正负样本不均衡的问题，由RetinaNet提出使用与One-Step目标检测算法上的一个技巧 关于这两部分的详细介绍可以见之前的博文：YOLOv4中的tricks概念总结——Bag of freebies 然后，后续有不少大佬对fo.
UnitBox论文笔记（IOUloss）
weixin_39558227的博客
12-08 1232
文章目录Motivation关于其他论文的一些观点IoU损失l2损失的缺点iou损失forward过程反传推导UNITBOX NETWORK UnitBox: An Advanced Object Detection Network 代码在mmdetection中有实现 Motivation 现有的deep CNN方法假设对象界限为四个自变量，分别通过l2损失进行回归。这种过于简化的假设与广为接...
距离IoU损失：包围盒回归更快更好的学习(Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression)
TJMtaotao的博客，高校计算机教师
11-28 6494
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression Zhaohui Zheng1, Ping Wang1, Wei Liu2, Jinze Li3, Rongguang Y e1, Dongwei Ren*2 1School of Mathematics, Tianjin University, Ch...
GIoU损失论文笔记
weixin_39558227的博客
12-09 698
文章目录 Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 代码 Giou能够优化那些完全没有相交的框（IOU损失做不到） l2损失的缺点 如上图a所示 三者的l2损失相同，但是iou相差巨大，因为如果利用的是l2损失，bbox的信息其实就是用左上角和右下角坐标信息来代表的。...
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
热门推荐
athrunsunny的博客
02-03 2万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。
L1 LOSS -- EIoU loss 一览 .pdf
02-03
- **定义**：IoU Loss（Intersection over Union Loss）是一种基于IoU指标的目标检测损失函数，其定义为两个框交集与并集的比例。 - **优点**：能够更好地衡量两个框之间的相似度，具有尺度不变性。 - **缺陷**： -...
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
本篇文章将重点探讨YOLOv8的一个重要改进策略——将原来的Intersection over Union (IoU)度量标准CIoU替换为Wise-IoU，并讨论这种改进如何提高模型性能，同时支持其他IoU变体如EIoU、GIoU、DIoU和SIoU的无缝切换。...
YOLOv10优化：IoU系列篇 |Inner-IoU：基于辅助边框的IoU损失，结合CIoU、SIoU、EIoU、DIoU、GIoU等，2023年11月最新IoU改进
最新发布
会AI的学姐
06-13 122
Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU，其引入尺度因子ratio控制辅助边框的尺度大小用于计算损失。
【DIoU】《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》
bryant_meng
02-24 2217
AAAI-2020 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method4.1 Analysis to IoU and GIoU Losses4.2 The Proposed Method5 Experiments5.1 Datasets5.2 YOLO v3 on PASCAL VOC5.3 SSD on PASCAL VOC5.4 Faster R-CNN on MS COCO5.5 Di.
纠正的无锚框损失函数
03-16
无锚框损失函数，难样本Focal Loss，Smooth L1 Loss。
CDIoU-CDIoUloss:CDIoU和CDIoU丢失就像一个方便的插件，可以在多个模型中使用。 CDIoU和CDIoU损失在Faster R-CNN，YOLOv4，RetinaNet和。 与传统的评估反馈模块相比，MS COCO数据集的最大AP改进为1.9％，平均AP改进为0.8％。 这里我们仅以一个例子来说明代码
03-25
CDIoU-CDIoUloss CDIoU和CDIoU丢失就像一个方便的插件，可以在多个模型中使用。 CDIoU和CDIoU损失在Faster R-CNN，YOLOv4，RetinaNet和。 与传统的评估反馈模块相比，MS COCO数据集的最大AP改进为1.9％，平均AP改进为0.8％。 这里我们仅以一个示例来说明代码。 控制距离IoU和控制距离IoU损耗功能 ，苗多千 介绍 反馈机制的众多改进为对象检测的巨大进步做出了贡献。 在本文中，我们首先提出一个评估反馈模块，该模块由评估系统和反馈机制组成。 然后，我们分析并总结了传统评估反馈模块的缺点和改进。 最后，我们专注于评估系统和反馈机制，并提出了控制距离IoU和控制距离IoU损失函数（或简称为CDIoU和CDIoU损失），而没有增加模型中的参数或FLOP，这对几种经典模型显示了不同的显着增强。和新兴模型。 一些实验和比较测试表明，协调
GIoU论文笔记
lt1103725556的博客
05-20 917
结论：提出了新的评价指标GIoU——广义交并比，以及以GIoU为基础的GIoU Loss Motivation： IoU对于没有交集的两个box始终=0，这样对应紧挨着临近的和距离无限远的两种情况就没有区别，同时计算Loss时没有交集就没有梯度回传，于是希望能同时考虑到没有交集时的情况 公式： GIoU=IoU-(最小外接矩形面积-并集面积)/最小外接矩形面积(1) GIoU Loss = 1 - GIoU(2) IoU Loss = 1 - IoU(3) 可以看到`z ...
《GIoU》论文笔记
weixin_34290390的博客
03-17 306
论文链接：arxiv.org/abs/1902.09… 代码链接：github.com/generalized…   这篇论文出自CVPR2019，算是目前已被录用且公布的为数不多的目标检测相关论文了。这篇论文提出了一种优化边界框的新方式——GIoU(generalized IoU，广义IoU)。目前关于IOU的新用法真是层出不穷，从Cascade R-CNN到IOU Net再到如今的GIoU，G...
IoU Loss小结: Giou，Diou，Ciou
Ken的博客
09-19 1298
Giou： Giou论文 Diou： Diou论文 你真的读懂yolo了吗？ YOLO V3 深度解析 （下）
论文阅读-目标检测损失函数GIoU,DIoU,CIoU
qq_36868451的博客
12-23 7726
目标检测损失函数GIoU,DIoU,CIoU GIoU论文链接 DIoU和CIoU论文链接 1. GIoU 1.1. 问题提出 1.1.1. 范数损失的缺陷 在GIoU之前，主要是以IoU或者lnnorml_n normln​norm作为损失函数的，而这些损失函数实际上是不够精细的。也就是说，即使观感上的差距很大，损失的值也会相同。以giou论文里举出的(a)图为例： 此时以l2norml_2norml2​norm作为损失函数（也就是两对点之间的欧氏距离），为了简便起见，固定一个点不动（假设是左下角的点不
α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统
3D视觉工坊
11-03 3145
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG编辑丨集智书童在本文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列...
常用的损失函数合集
caip12999203000的博客
10-13 1万+
本文章从整理了计算机视觉常用的损失函数，分别从出处、原理、优缺点和代码实现几个方面进行编写。
GIOU、DIOU、CIOU
cdknight_happy的专栏
08-07 2249
1 GIOU 论文：https://arxiv.org/abs/1902.09630 代码：https://github.com/generalized-iou/g-darknet 1.1 摘要 IOU是目标检测中的度量标准，但进行目标位置回归时一般使用的是L1L_1L1​或L2L_2L2​损失，作者证明了最小化这些损失并不等同于可以最大化IOU。因此，作者认为应该将最终的优化目标作为损失函数。但是普通的IOU在两个目标框不重叠时值为0，如果以它为损失函数此时反传的梯度为0，无法进行模型的训练。所以作者提出
yolov8 ciou
03-16
YOLOv4是一种目标检测算法，而YOLOv4 CIoU是YOLOv4中引入的一种新的损失函数，用于计算目标框的位置误差。CIoU全称为Complete Intersection over Union，它在计算目标框的位置误差时考虑了目标框的大小、位置和形状等因素，相比于传统的IoU（Intersection over Union）损失函数，CIoU能够更准确地衡量目标框之间的相似度。 CIoU损失函数的计算方式如下： 1. 首先计算两个目标框的中心点之间的欧氏距离。 2. 然后计算两个目标框的宽度和高度之间的比例差异。 3. 接着计算两个目标框的面积之和与它们的交集面积之间的比例差异。 4. 最后将上述三个差异相加得到CIoU损失。 通过使用CIoU损失函数，YOLOv4能够更好地优化目标检测模型，提高检测结果的准确性和稳定性。
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