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
- 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。
(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。