RT-DETR算法优化改进：Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11

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865 收藏
点赞数
分类专栏： RT-DETR魔术师 文章标签： 算法 人工智能 计算机视觉 pytorch 机器学习
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/m0_63774211/article/details/134462481
版权
RT-DETR魔术师 专栏收录该内容
59 篇文章 48 订阅 ¥199.90 ¥299.90
订阅专栏
本文介绍了Inner-IoU，一种引入尺度因子ratio的辅助边框损失，用于改进RT-DETR的边界框回归。通过分析IoU损失的局限性，作者提出使用不同尺度的辅助边框以加速收敛。实验证明，这种方法能提高检测器的性能和泛化能力，特别是在与现有IoU损失函数结合时。内含对RT-DETR模型的修改建议。
摘要由CSDN通过智能技术生成

  本文改进：Inner-IoU引入尺度因子 ratio 控制辅助边框的尺度大小用于计算损失，并与现有的基于 IoU （ GIoU, DIoU,  CIoU，SIoU ）损失进行有效结合

推荐指数：5颗星        新颖指数：5颗星

RT-DETR魔术师专栏介绍：

https://blog.csdn.net/m0_63774211/category_12497375.html

✨✨✨魔改创新RT-DETR

🚀🚀🚀引入前沿顶会创新，助力RT-DETR

🍉🍉🍉基于ultralytics优化，与YOLO完美结合

1. Inner-IoU介绍

论文：

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YOLOv8改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
走向CTO的路上...
07-05 1042
YOLOv8作为目前主流的目标检测算法之一，其基础模型结构高效、易于部署，但仍存在一些可以优化的空间。其中，损失函数是影响模型性能的关键因素之一，选择合适的损失函数可以显著提升模型的精度和鲁棒性。本文将对YOLOv8中新引入的InnerIoUInnerSIoUInnerWIoUFocusIoU等损失函数进行详细介绍，并解释其原理、应用场景、文献材料链接、应用示例产品、总结、影响以及未来扩展方向。本文介绍了YOLOv8中新引入的InnerIoUInnerSIoUInnerWIoUFocusIoU。
YOLOv9改进策略 | 损失函数篇 | InnerIoU、InnerMPDIoU二次创新损失函数助力小目标检测（全网独家首发）
Snu77的博客
03-29 3818
本文给大家带来的改进机制是InnerIoU以及包含其它二次创新的代码InnerCIoU、InnerMPDIoU等一些列利用Inner形成的二次创新损失函数，到此大家可能比较模糊为啥Inner能够和其他损失函数形成二次创新，Inner又是一个什么样的机制，开头这里给大家简单的说一下，假设CIoU的计算需要两个变量分别是A和B，Inner就是一种提取A和B的全新方法 | 替换的是传统的方法（算是比较新颖的方法去年年末提出的一种方法）。(该方法在处理非常小目标的检测任务时表现出良好的性能，但是在其它的尺度检测时也
作者导读：Inner-IoU：基于辅助边框的IoU损失
qq_45911380的博客
11-09 3997
摘要—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。
YOLOv8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
会AI的学姐
11-14 1166
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。
RT-DETR算法改进：最新Inner-IoU损失函数，辅助边界框回归的IoU损失，提升RT-DETR检测器精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 2432
RT-DETR算法改进 | 最新Inner-IoU损失函数，辅助边界框回归的IoU损失
YOLOv9有效改进|使用Inner-iou：通过辅助边界框计算IoU提升检测效果。
深度学习炼丹师，偶尔分享炼丹技术!
03-19 976
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样本。接着，我们提出了。
YOLOv10涨点改进：IoU优化 | Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11
06-03 161
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11
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 82
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。
RT-DETR优化改进：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
会AI的学姐
11-16 250
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。
RT-DETR算法优化改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点
01-05 2396
一种新的Shape IoU方法结合 Inner-IoU，基于辅助边框的IoU损失的同时，更加关注边界框本身的形状和尺度来计算损失
全新Inner-IoU损失函数！！！通过辅助边界框计算IoU有效提升检测效果
qq_40716944的博客
11-10 3000
随着检测器的快速发展，边界框回归（BBR）损失函数不断进行更新和优化。然而，现有的 IoU 基于 BBR 仍然集中在通过添加新损失项来加速收敛，忽略了 IoU 损失项本身的局限性。尽管从理论上讲，IoU 损失可以有效地描述边界框回归的状态，但在实际应用中，它无法根据不同的检测器和检测任务进行自适应调整，且不具备较强的泛化能力。基于上述情况，作者首先分析了 BBR 模型，并得出结论：区分不同的回归样本以及使用不同尺度的辅助边界框计算损失可以有效加速边界框回归过程。
YoloV8改进策略：Inner-IoU+clou，YoloV8的涨点明珠
m0_47867638的博客
11-18 2498
随着检测器的快速发展，边界框回归（Bounding Box Regression，BBR）损失函数不断更新和优化。然而，现有的基于IoU的BBR仍然侧重于通过添加新的损失项来加速收敛，忽视了IoU损失项本身的局限性。尽管从理论上讲，IoU损失可以有效地描述边界框回归的状态，但在实际应用中，它无法根据不同的检测器和检测任务自我调整，并且没有很强的泛化性。基于以上分析，我们首先对BBR模型进行了分析，并得出结论，区分不同的回归样本并使用不同尺度的辅助边界框计算损失可以有效加速边界框回归过程。
yolo增加Inner-IoU，一文搞定（Inner-SIoU，Inner-WIoU，Inner-EIoU，Inner-MPDIoU）
athrunsunny的博客
11-17 6279
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。
Inner-IoU：具有辅助边界框的更有效的交并比损失
m0_47867638的博客
11-18 1407
随着检测器的快速发展，边界框回归（Bounding Box Regression，BBR）损失函数不断更新和优化。然而，现有的基于IoU的BBR仍然侧重于通过添加新的损失项来加速收敛，忽视了IoU损失项本身的局限性。尽管从理论上讲，IoU损失可以有效地描述边界框回归的状态，但在实际应用中，它无法根据不同的检测器和检测任务自我调整，并且没有很强的泛化性。基于以上分析，我们首先对BBR模型进行了分析，并得出结论，区分不同的回归样本并使用不同尺度的辅助边界框计算损失可以有效加速边界框回归过程。
损失函数篇 | YOLOv8 引入 Inner-IoU 基于辅助边框的IoU损失
YOLOv8项目贡献者
01-11 2436
损失函数篇 | YOLOv8 引入 Inter-IoU 基于辅助边框的IoU损失
三分钟学会使用系列|Inner-IoU损失：通过辅助边界框计算IoU提升检测效果！
深度学习炼丹师，偶尔分享炼丹技术!
01-18 1736
三分钟学会使用Inner-IoU损失。
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

打赏作者

AI小怪兽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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