关于SIoU《SIoU Loss: More Powerful Learning for Bounding Box Regression Zhora Gevorgyan 》的一些看法及代码实现

已于 2022-06-17 17:08:13 修改
阅读量3.6k 收藏 25
点赞数 5
文章标签： 机器学习 深度学习 计算机视觉
于 2022-05-30 17:49:52 首次发布
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/qq_40402444/article/details/125043507
版权

最近很多公众号都在推这篇文章，但是我在阅读的过程中产生了一些问题，由于代码未开源，理解可能不正确，因此先记录一下，等开源之后对照代码再更深地去理解，也希望如果有大佬看见这篇文章的时候，能对我不成熟的看法给予一些意见。
文章实验的最终损失函数计算如下：
!
其中 L c l s L_{cls} Lcls​是用了focal loss， W b o x W_{box} Wbox​和 W c l s W_{cls} Wcls​权重参数是根据遗传算法计算得来的， L b o x L_{box} Lbox​是本文所提的SIoU损失，计算如下：
在这里插入图片描述

主要是涉及到四部分损失：角度损失 、距离损失 、形状损失 、IoU 损失
1.角度损失
在这里插入图片描述

这里作者认为，可以考虑角度因素，首先使得预测框回归到与真值框同一水平线或者垂直线上，这点我很认同，可以加速收敛，作者是通过以下公式评估损失的
在这里插入图片描述
该公式由两部分组成，第一部分是 1 − 2 s i n 2 ( x ) 1-2sin^2(x) 1−2sin2(x)，其实也就是 c o s ( 2 x ) cos(2x) cos(2x)，使得对于 x >

最低0.47元/天 解锁文章
目标检测中的损失函数(三) | SIoU WIoUv1 WIoUv2 WIoUv3
Jacknbv的博客
05-02 835
目标检测中的SIoU和WIoU损失函数
【SIoU】《SIoU Loss: More Powerful Learning for Bounding Box Regression》
bryant_meng
07-17 1240
arXiv-2022。
【IoU变体对比：WIOU、SIOU、EIOU、GIOU、CIOU】
最新发布
dally2的博客
02-27 1251
IoU变体对比：WIOU、SIOU、EIOU、GIOU、CIOU
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记
Tianchao龙虾
05-19 492
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记 论文链接： https://arxiv.org/abs/1911.08287 一、 Problem Statement Bounding Box的回归分支在目标检测中很重要。目前，lnl_nln​-norm loss 对获得最优的IoU metric不是很合适，IoU Loss 只有在bounding boxes 有重叠的时候起作用，而且不会提供任何移
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression阅读笔记
风行
12-29 885
（一）Title 前言： （二）Summary 背景概述 目标检测中的bounding box回归任务往往采取的方式借助损失去回归bounding boxes的参数(位置/长/宽),但是它并不适用于评估度量(Intersection over Union,IoU)。 同时作者指出当前研究者提出的IoU度量(IoU Loss 以及 Generalized IoU Loss)上存在的一些问题： 收敛慢slow convergence 回归不准确，inaccurate regression 主要内容 作者在
论文 SIoU Loss: More Powerful Learning for Bounding Box Regression 详解（代码详解）
Keep_Trying_Go的博客
01-09 1008
然而，到目前为止，所有提出和使用的方法都没有考虑到期望框和预测“实验”框之间不匹配的方向。这一不足导致预测框在训练过程中“游荡”，从而最终生成性能更差的模型。它是衡量您的机器学习模型预测预期结果的准确性的一种指标。传统的目标检测损失函数依赖于边界框回归的指标聚合，比如距离、重叠面积和预测框与真实框的宽高比（即。既提高了训练速度，也提高了推理的准确性。所提出的损失函数在多个仿真和测试中得到了验证。在本文中，提出了一种新的损失函数 SIoU。的结果显示，相较于其他损失函数，性能提升了。
【目标检测】AAAI20 - 提升边界框回归《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》
要相信光
03-02 5388
AAAI2020，DIoU, CIoU, GIoU, IoU 提升目标检测性能必备 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》
siou loss: more powerful learning for bounding box regression
09-17
Siou Loss是一种用于边界框回归的损失函数，它比传统的平方损失函数更强大。 边界框回归是目标检测任务中的重要组成部分，它的目标是预测图像中物体的位置和大小。传统的平方损失函数在边界框回归中常被使用，但它...
GEVORGYAN Z. SIoU loss: more powerful learning for bounding box regression[J/OL]. arXiv, 2022[ ] . https://arxiv.org/abs/2205.12740.
07-12
根据您提供的信息，论文题目为 "SIoU loss: more powerful learning for bounding box regression"，作者是 Gevorgyan Z.，并且该论文是在 arXiv 上于2022年发布的。由于这是一篇预印本论文，它还没有正式发表在任何...
【最新损失函数SIOU全文翻译】超越YOLO-V5等先进模型提高了+3.6%
m0_53232749的博客
05-30 5178
传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。然而，迄今为止提出和使用的方法都没有考虑期望的地面盒和预测的“实验”盒之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“四处游荡”并最终产生更差的模型。在本文中，提出了一种新的损失函数SIoU，其中考虑到所需回归之间的向量角度，重新定义了惩罚指标。应用于传统的神经网络和数据集，表明 SIoU 提高了训练的速度和推理的准确性。在许多模拟和测试中揭示
《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》DIOU论文
qq_38109282的博客
07-02 821
前言 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》发表于2020年AAAI，来自天津大学和中国人名公安大学 资源 论文下载：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文题目及作者 介绍 第一行为GIOU loss，第二行是DIOU loss。 绿边框表示Ground Truth，黑边框表示An
涨点神器！SIoU：目标检测的新损失函数，提高准确性和训练速度！
热门推荐
阿木寺的博客
06-07 2万+
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童SIoU Loss: More Powerful Learning for Bounding Box Regression论文：https://arxiv.org/abs/2205.12740目标检测是计算机视觉任务的核心问题之一，其有效性在很大程度上取决于损失函数的定义。传统的目标检测损...
目标检测--边框回归损失函数SIoU原理详解及代码实现
Gthan
07-14 1万+
对目标检测边框回归的SIoU损失函数进行原理详解及代码实现
新的损失函数SIoU：结合图片和详细代码分块深入理解原理
weixin_43980331的博客
08-04 1万+
SIoU进一步考虑了真实框和预测框之间的向量角度，重新定义相关损失函数，具体包含四个部分：角度损失(Angle cost)、距离损失(Distance cost)、形状损失(Shape cost)、IoU损失（IoU cost）。
YOLO损失函数——SIoU和Focal Lossr损失函数解析
知来者逆的博客
05-15 7682
在深度学习的目标检测领域，损失函数扮演着至关重要的角色，它们不仅衡量模型预测与实际标注之间的差异，还引导模型参数的优化方向。SIoU (Shape-Aware IoU) 损失是一种用于边界框回归的先进损失函数，它综合考虑了形状、距离和纵横比的对齐，以提升模型的收敛速度和预测准确性。SIoU损失通过结合角度成本、距离成本、形状成本和IoU成本，优化了边界框的定位精度。
目标检测算法之AAAI 2020 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》已开源
I good vegetable a!
12-16 1823
前言 前面介绍了CVPR 2019的GIoU Loss，推文地址如下：点这里，同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。 背景 我们先来回归一下IoU Loss和GIoU Loss。IoU Loss可以表示为：LIoU=1−∣B⋂Bgt∣∣B⋃Bgt∣L_{IoU}=...
目标检测中的Bounding Box Regression Loss
mingo_敏
05-10 4535
Bounding Box Regression Loss PyTorch: https://github.com/shanglianlm0525/CvPytorch 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演变过程 Smooth L1 Loss 优点： 缺点： Focal Loss 优点： 缺点： Io
[YOLOv7/YOLOv5系列算法改进NO.10]损失函数改进为SIOU
m0_70388905的博客
07-02 1万+
​前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。之前改进为EIOU，有兴趣的朋友可以看看，YOLOv5改进之七：损失函数改进 - 知乎解决问题：YOLOv5采用CIOU损失函数，传统的目标检测损失函数依赖于边界框回归指标的聚合。..
#今日论文推荐# 即插即用 | SIoU 实现50.3 AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX
w1hsxn的博客
05-27 1882
#今日论文推荐# 即插即用 | SIoU 实现50.3 AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX 目标检测是计算机视觉任务的核心问题之一，其有效性在很大程度上取决于损失函数的定义。传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。 然而，迄今为止提出和使用的方法都没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“四处游荡”并最终产生更差..
评论 4
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