YOLOv5改进之---EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU

本文主要针对yolov5的iou损失函数进行改进,主要涵盖EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU这几种损失。
一、首先会对这几种损失进行介绍:
1、背景
由于EIOU是在CIOU的基础上改进的,为方便理解,此处贴出CIOU的计算公式,其他GIOU、DIOU不作介绍。
CIOU公式如下所示:
在这里插入图片描述
b ,bgt 分别代表了预测框和真实框的中心点,且p代表的是计算两个中心点间的欧式距离,c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。
a为平衡参数,定义为:
在这里插入图片描述
v是用来衡量长宽比一致性的参数,定义如下:
在这里插入图片描述
2、EIOU
我们知道,CIoU损失是在DIoU损失的基础上添加了衡量预测框和GT框纵横比v vv,在一定程度上可以加快预测框的回归速度,但是仍然存在着很大的问题:

1)在预测框回归过程中,一旦预测框和GT框的宽高纵横比呈现线性比例时,CIoU中添加的相对比例的惩罚项便不再起作用

  • 18
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1. EIoU (Enhanced Intersection over Union) 优点: - 在目标检测中表现优秀,能够有效地消除检测器的偏差和错误 - 能够有效地处理目标检测中类别不平衡的情况 缺点: - 它需要额外的计算成本,因为需要计算每个框的真实类别和预测类别之间的距离 2. SIoU (Soft Intersection over Union) 优点: - 能够有效地处理目标检测中类别不平衡的情况 - 在目标检测中表现良好,能够减少误检和漏检 缺点: - 它也需要额外的计算成本,因为需要计算每个框的真实类别和预测类别之间的距离 3. AlphaIoU 优点: - 能够有效地处理目标检测中类别不平衡的情况 - 在目标检测中表现良好,能够减少误检和漏检 - 能够减少对小目标的惩罚 缺点: - 可能会对大目标产生偏见,因为它对大目标的惩罚不够严格 4. FocalEIoU 优点: - 能够有效地处理目标检测中类别不平衡的情况 - 在目标检测中表现良好,能够减少误检和漏检 - 能够自适应地调整难易样本的权重,以便更好地处理难样本 缺点: - 需要额外的计算成本,因为需要计算每个框的真实类别和预测类别之间的距离 - 可能会对大目标产生偏见,因为它对大目标的惩罚不够严格 5. Wise-IoU 优点: - 能够有效地处理目标检测中类别不平衡的情况 - 在目标检测中表现良好,能够减少误检和漏检 - 能够自适应地调整难易样本的权重,以便更好地处理难样本 - 能够有效地处理多类别目标检测的情况 缺点: - 需要额外的计算成本,因为需要计算每个框的真实类别和预测类别之间的距离 - 可能会对大目标产生偏见,因为它对大目标的惩罚不够严格

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

ghx3110

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
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