Focal-EIOU Loss：用于精确边界框回归的高效IOU损失

最新推荐文章于 2024-05-30 15:54:20 发布
最新推荐文章于 2024-05-30 15:54:20 发布
阅读量9.5k 收藏 57
点赞数 3
分类专栏： 计算机视觉论文速递 目标检测 文章标签： 人工智能 深度学习 机器学习 计算机视觉 自动驾驶
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/amusi1994/article/details/112966895
版权

性能优于EIOU、Focal Loss、CIOU等，直接替换大多数检测网络中的原损失函数，均涨点明显！如PAA、ATSS和RetinaNet等。

  • 注：文末附【目标检测】交流群

Focal and Efficient IOU Loss for Accurate Bounding Box Regression
在这里插入图片描述

  • 作者单位：华南理工大学, 地平线, 中科院(谭铁牛等)
  • 论文：https://arxiv.org/abs/2101.08158

在目标检测中，边界框回归（BBR）是确定对象定位性能的关键步骤。但是，我们发现，大多数先前的BBR损失函数都有两个主要缺点：

（i）基于ln-norm和基于IOU的损失函数都无法有效地描述BBR的目标，从而导致收敛缓慢且回归结果不准确。
在这里插入图片描述
在这里插入图片描述
（ii）大多数损失函数都忽略了BBR中的不平衡问题，即与目标框重叠较少的大量锚框对BBR的优化起了最大作用。

最低0.47元/天 解锁文章
Amusi（CVer）
关注
  • 3
    点赞
  • 踩
  • 57
    收藏
    觉得还不错? 一键收藏
  • 16
    评论
专栏目录
目标检测性能优化，Focal EIOU，从IOU的角度提升检测的准确率
jacke121的专栏
11-20 3263
目标检测性能优化，Focal EIOU，从IOU的角度提升检测的准确率
L1 LOSS -- EIoU loss 一览 .pdf
02-03
L1 LOSS -- EIoU loss
YOLOv5改进（四）--轻量化模型ShuffleNetv2
最新发布
qq_44231797的博客
05-30 866
移动端设备也需要既准确又快的小模型。为了满足这些需求，一些**轻量级的CNN网络如MobileNet和ShuffleNet被提出**，它们在速度和准确度之间做了很好地平衡。本文主要轻量化YOLOv5网络，即引入ShuffleNetv2，它是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。
【目标检测】29、Focal-EIoU：Focal and Efficient IOU Loss for Accurate Bounding Box Regression
呆呆的猫的博客
08-11 4609
在框回归问题中，高质量的 anchor 总是比低质量的 anchor 少很多，这也对训练过程有害无利。的增大，outliers 样本的梯度模值会被很大程度的抑制，高质量样本的梯度模值会降低，这并非期望的结果。为了让 EIoU Loss 更关注高质量样本，可以使用 EIoU loss 来代替上面公式中的 x。如图 4b 所示，Focal L1 Loss 可以提高 inliers 的梯度值，并根据。满足 1 和 2 条件的函数如图 5a 所示，当添加了一个超参数。时，如图 5b 所示，随着。..........
【论文】Focal-EIOU Loss：Focal and Efficient IOU Loss for Accurate Bounding Box Regression 用于精确边界框回归
Hali_Botebie的博客
05-24 1475
损失函数之Focal-EIoU Loss:CVPR2020的一篇关于边界框损失函数文章：Focal and Efficient IOU Loss for Accurate Bounding Box Regression。在Focal-EIoU Loss这篇论文中，作者提出CIoU中的相对比例存在若干问题，因此提出了更为直接的使用边长作为惩罚项。此外为了解决低质量样本造成的损失值剧烈震荡的问题，这篇论文设计了一个用于回归的Focal Loss。
【IoU全总结】GIoU, DIoU, CIoU, EIoU&Focal, αIoU, SIoU,WIoU【基础收藏】
深度学习
06-15 4346
边界框回归的三大几何因素：重叠面积、中心点距离、纵横比IOU Loss：考虑了重叠面积，归一化坐标尺度；GIOU Loss：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 Loss：考虑了重叠面积和中心点距离，基于IOU解决GIOU收敛慢的问题；CIOU Loss：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；
【AlexeyAB DarkNet框架解析】九，YOLOV3损失函数代码详解(yolo_layer.c)
01-20
另外，YOLOv3引入了一个新的参数`ignore_thresh`，用于忽略与Ground Truth（GT）框的IoU（Intersection over Union）大于设定阈值的预测框的objectness损失。这样做可以减少那些与真实目标框重叠度不高的预测框对...
PaddleX22、PP-Yolo：手把手教你训练、加密、部署目标检测模型
11-21
PP-YOLO采用了多尺度训练、Focal Loss、IOU Loss等多种技术，使其在多个数据集上的性能表现优秀。 **三、模型训练** 在PaddleX22中训练PP-YOLO模型，首先需要准备标注好的数据集。数据集应包含图片和对应的标注文件...
Python-采用pytorchpython3实现目标检测算法SSD及其变体
08-11
1. **MultiBox Loss的改进**：如Focal Loss和IOU Loss，它们针对SSD的原版损失函数在处理类别不平衡和定位不准确问题上的不足进行了优化。 2. **Feature Pyramid Network (FPN)**：引入多尺度特征融合，提高对不同...
Python-FCOS完全卷积一步OneStage物体检测
08-11
3. **训练过程**：使用PyTorch或TensorFlow等深度学习框架编写训练脚本，定义损失函数（如Focal Loss用于分类，GIoU Loss用于定位），设置优化器（如SGD或Adam），并进行多GPU并行训练。 4. **推理与后处理**：训练...
这个存储库是大多数语义分割损失函数的实现___下载.zip
04-18
9. **BoundaryAware Loss**：考虑到语义分割中边界的重要性，这类损失函数会特别关注像素级别的边界匹配。 这个存储库可能包含以上或其他创新性的损失函数实现，对于研究或开发语义分割模型的人员来说非常有价值。...
YOLOv8改进:损失函数改为SIOU、EIOU、WIOU、Focal-IOU、a-IOU
weixin_45303602的博客
10-10 1万+
在机器学习领域，损失函数（Loss Function）是衡量模型预测值和真实值之间差异的函数。在训练期间，模型会尝试最小化损失函数的值，从而提高模型的准确性。通常来说，损失函数的定义方式取决于你要解决的问题类型。例如，在分类问题中，常见的损失函数包括交叉熵损失函数和负对数似然损失函数等；在回归问题中，通常使用均方误差（MSE）损失函数和平均绝对误差（MAE）损失函数等。以分类问题为例，交叉熵损失函数是一种常用的损失函数，通常用来度量模型在分类问题上的性能。
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。
YOLOv5涨点必备！改进损失函数EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
qq_53545309的博客
10-21 4060
YOLOv5损失函数的作用是衡量预测框与真实框之间的差异，并根据这些差异来更新模型的参数。它帮助模型学习如何准确地检测和定位目标物体，从而提高检测的精度和准确性。YOLOv5中的损失函数主要包括三个部分：目标分类损失、边界框坐标损失和对象置信度损失。目标分类损失：该损失函数用于衡量预测框中的目标类别与真实框中的目标类别之间的差异。它使用交叉熵损失函数来计算分类误差，促使模型学习正确地分类各个目标物体。边界框坐标损失：该损失函数用于衡量预测框中的边界框位置与真实框中的边界框位置之间的差异。
IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析及Pytorch实现
q1552211的博客
05-05 4498
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。 def Iou_loss(preds, bbox, eps=1e-6, reduction='mean'): ''' preds:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] bbox:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] reduction:"mean"or"s
目标检测——map概念、Miou计算、IoU汇总IoU、GIoU、DIoU、CIoU、SIoU、EIoU、Wiou、Focal、alpha
Chaoy6565的博客
01-12 2307
map是Mean Average Precision 的缩写（均值平均精度）介绍map之前，先了解以下概念TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。TP+FN。
focal and efficient iou loss for accurate bounding box regression
03-16
Focal和Efficient IOU Loss是用于精确边界框回归的损失函数。Focal IOU Loss是一种改进的交叉熵损失函数，它可以有效地处理类别不平衡问题。而Efficient IOU Loss则是一种基于交并比的损失函数，它可以更准确地衡量预测框与真实框之间的重叠程度。这两种损失函数的结合可以提高边界框回归的精度和效率。
评论 16
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