Index
论文:https://arxiv.org/abs/1902.09630
代码:https://github.com/generalized-iou
下班前看了下这篇论文,感觉并不难理解,有时间去试一下。
动机
这篇文章主要从损失函数出发,来改进目标检测的算法。
目前目标检测中主流的边界框优化采用的都是BBox的回归损失(MSE loss, L1-smooth loss等),这些方式计算损失值得方式都是检测框得“代理属性”——距离,而忽略了检测框本身最显著的性质——IoU。如下图所示,在L1及L2范数取到相同的值时,实际上检测效果却是差异巨大的,直接表现就是预测和真实检测框的IoU值变化较大,这说明L1和L2范数不能很好的反映检测效果。