目标检测IOU损失

最新推荐文章于 2023-12-28 23:05:15 发布
最新推荐文章于 2023-12-28 23:05:15 发布
阅读量164 收藏
点赞数
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/doerymy/article/details/119302266
版权

仅供个人学习记录

IOU-LOSS

iou-loss  =  1-交集/并集

但无法处理预测框和目标框不重叠的问题，也无法区别不同的预测框

 

GOU-LOSS

giou-loss =  1-giou = 1-(iou-最小外接矩形差集/最小外接矩形)

 还存在不足，预测框在目标框内部，此时没有差集，变为iou-loss

 

DIOU-LOSS

diou-loss = 1- （iou -  两个框中心点距离/最小外接矩形对角线距离）

解决了预测框在内部时的情况

 但仍然存在问题，预测框在内部但是宽高比不同

 CIOU-LOSS

在diou-loss基础上增加了宽高比因子

ciou-loss = diou-loss + v/((1-iou)+v)

 

 

 

Initial Y
关注
【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码)
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-29 7748
随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。对于高 IoU 样本，使用较小的辅助边框计算损失能够加速收敛，而较大辅助边框适用于低 IoU
目标检测中的损失函数（一） IOU,GIOU
wuhao1205的博客
05-10 1189
学习记录，如有错误请指出，感谢大家的指导建议。 IOU IOU计算的是预测框和目标框的交并比 如上图所示，蓝色部分为预测框，红色部分为目标框，黄色部分就是两者的交集。 IOU的局限性在于无法判别预测框的相对位置，同样的IOU数值结果能够对应无数个位置的预测框，而不同的任务可能会对不同的位置有着不同的喜好，这种情况下IOU无法给出一个判别。 GIOU 相比于IOU， GIOU引入了相对位置的考量，但这并不代表GIOU就优于IOU。 蓝色为预测框，红色为目标框，黄色为两框的并集。所..
目标检测中的IOU损失集合
zcc的博客
05-28 3184
1. IOU 即为交并比，图像如下。 可以想当然的把IOU当作训练的Loss， 比如Loss = 1 - IOU， 当两个物体越接近为同一个物体时候，则IOU越接近1，则loss越小。这样模型就可以通过不断降低loss来使得模型得出更好的预测结果。 缺点： 1）当两个框不相交的时候，IOU=0， Loss = 1 - IOU =1， 将梯度传回，当两个框相距较远时候，调整预测框的位置，其IOU也等于0，这样会导致预测框经过多次调整后Loss还是等于1，这样网络需要很多次迭代（随机尝试），才有..
【目标检测】(11) 预测框定位损失 iou、Giou、Diou、Ciou，附TensorFlow完整代码
博观而约取，厚积而薄发
04-08 4124
各位同学好，今天和大家分享一下如何使用 TensorFlow 构建目标检测算法中的目标边界框定位损失函数 iou、Giou、Diou、Ciou 1. iou 损失 1.1 方法介绍 iou又称为交并比，是指预测框和真实框的交集和并集的比值。在目标检测中，iou 能满足 对称性、同一性、非负性、三角不等性，并且相比于 L1、L2 损失函数具有尺度不变性。无论边界框的尺度大小，输出的iou损失总是在0到1之间，因此能够比较好的反映预测框和真实框之间的检测效果。 iou 的值越大，表明两个框重叠度越高
目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现
最新发布
qq_40716944的博客
12-28 4285
IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 2753
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
目标检测损失函数IoU、GIoU、DIoU和CIoU
12-28 1657
简介在目标检测任务中，分类和检测框的回归是核心问题，损失函数的选择对模型的表现效果具有较大影响，本文介绍常用的损失函数IoU、GIoU、DIou和CIoU。IoUIoU是使用最广泛的检测...
目标检测常用IOU总结
03-25
总结来说，这些不同的IOU变体都是为了改善目标检测中的边界框回归效果，通过考虑更多的几何特性，使预测框更好地接近真实框，提高检测精度。然而，每种方法都有其局限性，如IOU和GIoU在特定情况下的不可导，DIoU未...
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结
生命在于折腾！
09-29 2885
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结 1. Smooth L1 Loss 这个是 Faster-RCNN 中的损失函数。具体可以参考深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解 中相应介绍。 Smooth L1 Loss 相比 L1 和 L2 的优势可以参考 损失函数：L1 loss, L2 loss, smooth L1 loss。总结其优势就是： smooth L1和L1-loss函数的区别在于，L1-loss在0点处导数不唯一，可
目标检测系列之iou的计算（python实现）
weixin_42631693的博客
06-03 7091
1.IOU IOU(Intersection over Union)即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标，顾名思义，即交集与并集的比值，那所谓的交集和并集分别指代什么呢？ 目标检测是一个有监督学习的过程，它常常需要大量的有标签数据进行训练学习。目标检测实际要解决的问题有两个，一个是目标分类，还有一个就是目标定位，这里我把目标的位置信息也当作是一种标签...
【目标检测】IOU loss CIOU
qq_35608277的博客
10-21 698
https://zhuanlan.zhihu.com/p/102956248 https://zhuanlan.zhihu.com/p/110799558
IoU系列损失详解
weixin_43482623的博客
08-10 9935
IoU相关损失详解 IoU 计算公式及原理解析 ​ IoU的全称为交并比（Intersection over Union），即表示为“预测边框(bounding box )”和“真实边框(ground truth)“的交集和并集的比值。即IoU的计算公式为： IoU=(A∩B)A∪B IoU =\frac{(A \cap B)} {A \cup B} IoU=A∪B(A∩B)​ ​ 用图像可以更直观的表示，其表示如下： ​ 即IoU相当于两个区域交叉的部分除以两个区域的并集部分得出的结果。 ​
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
基于深度学习的目标检测的IOU损失函数介绍
qq_31385803的博客
09-19 3070
目标检测中常用IoU损失介绍及代码实现
一文读懂目标检测中的各种IoU损失函数
DeepDriving
06-10 1979
本文介绍了在目标检测领域常用的几种IoU损失函数。边界框回归是目标检测中的一种主流技术方法，该方法使用矩形边界框去预测目标对象在图像中的位置，旨在细化预测边界框的位置。边界框回归使用预测边界框和真实边界框之间的重叠区域作为损失函数，称为基于交并比的损失函数。......
目标检测（损失函数）：目标定位损失—GIoU
牛顿爱吃香蕉的博客
08-28 7604
目标检测（损失函数）：目标定位损失—GIoU1、提出问题2、解决方案 CVPR 2019CVPR~2019CVPR 2019 有一篇介绍目标检测定位损失函数的 paperpaperpaper： 论文链接：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 1、提...
目标检测--边框回归损失函数(IoU, GIoU, DIoU, CIoU)原理详解及代码实现
Gthan
07-12 4433
对目标检测边框回归的IoU, GIoU, DIoU, CIoU损失函数进行原理详解及代码实现
深度学习目标检测IoU的思考（持续更新）
cxn511的博客
01-19 1057
这段时间在做表格还原的工作，属于版面分析的一个模块。目前已经能做到截图/扫描/拍照表格图像检测，表格信息提取和html写入。可以多平台使用，不需要微软的接口。但在结合ocr的文本检测和文本识别确定表格内容的过程中，只通过单元格坐标和文本检测的坐标设定规则去判定文本是否属于该单元格具有较大的风险。一是极大依赖文本检测和表格坐标提取的准确度，二是，表格框和文本检测框的重叠方式有多种，规则难以自适应。所...
目标检测中的回归损失函数系列二：IoU Loss
热门推荐
梦坠凡尘
05-11 1万+
IOU Loss 出自论文：https://arxiv.org/pdf/1608.01471.pdf L1 和L2 loss是将bbox四个点分别求loss然后相加，并没有考虑靠坐标之间的相关性，而实际评价指标IOU是具备相关性。 看一张图关注IoU部分（GIoU先不管）： 图中第一行，所有目标的L1 Loss都一样，但是第三个的IoU显然是要大于第一个，并且第3个的检测结果似乎也是好于第一个的。第二行类似，所有目标的L1 Loss也都一样，但IoU却存在差异。因此使用bbox和ground truth
目标检测：IOU及其在边界框回归中的应用
"这篇资源主要讨论了目标检测中边界框回归优化的重要概念，特别是交并比（Intersection over Union, IOU）在评估预测框与真实框重合度时的角色。内容涵盖L1、L2范数损失函数以及它们的局限性，接着介绍了IOU损失函数...
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