YOLOv10改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数

已于 2024-12-11 15:15:11 修改
阅读量485 收藏 1
点赞数 2
分类专栏： YOLOv10改进专栏 文章标签： YOLO 目标检测 计算机视觉 深度学习
于 2024-12-11 15:02:39 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_42591591/article/details/144401343
版权

一、背景

  • 现有问题：大多数现有工作假设训练数据中的样本都是高质量的，专注于增强边界框回归损失的拟合能力。然而，在低质量样本上盲目增强边界框回归会损害定位性能。
  • 解决思路：本文使用Wise-IoU，其动态非单调FM使用异常值程度而非IoU来评估锚框的质量，并提供一种有效的梯度增益分配策略。减少高质量锚框的竞争力，同时降低低质量样本产生的有害梯度，使WIoU能够专注于普通质量的锚框，从而提高检测器的整体性能。

专栏目录：YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv10改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
YOLOv9改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
Limiiiing的博客
12-11 164
是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051 源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可： utils\loss_tal_dual.py是损失函数的辅助分支+主分支损失计算文件。在utils\loss_tal_
RT-DETR改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
Limiiiing的博客
12-11 977
是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051 源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可： 用于计算各种损失。在内修改如下代码，使模型调用此损失函数。 tal.py中是一些损失函数的功能应用。在内修改如下代码，
认知篇#2：YOLO的那些损失函数：IoU、GIoU、DIoU、CIoU、EIoU、SIoU、WIoU的原理浅析（2）
hjs314159的博客
03-05 1187
直接看最后那个公式，简单的说，LIoU上面一横代表的可以理解为IoU的平均值，平均值做分母，L*IoU做分子，那么就可以使损失大的难例得到更多的关注。距离损失跟DIoU的是一样的，ρ代表的依然是AB两框的中心间的距离，c代表的是AB两框最小外接框的对角线长度。从下面看，ρx，ρy跟EIoU的宽损失和高损失很像，代表的就是对宽高的考量。反之，用一个很小的预测框去框一个很大的真实框，框的不完整也不能说是一个完美的检测。简单地说就是它通过引入了一个惩罚项，试图把预测框赶到45°的规定的轨道上，以加速预测的收敛。
YOLOv3源码解析4-计算损失compute_loss()
11-21 6016
YOLOv3源码解析1-代码整体结构 YOLOv3源码解析2-数据预处理Dataset() YOLOv3源码解析3-网络结构YOLOV3() YOLOv3源码解析4-计算损失compute_loss() YOLOv3源码解析5-损失函数 理论部分参照大神的文章学习： 简书：关于YOLOv3的一些细节 github：源代码作者YOLOV3 知乎：【YOLO】yolo v1到yo...
【论文理解】yolov3损失函数
热门推荐
DLUT_yan的博客
09-18 5万+
看了很多关于yolov3的算法讲解，但是对于损失函数一直没怎么看懂，再看代码，发现完全不懂，所以决定再仔细看看yolov3的损失函数。 先回顾下YOLOv1的损失函数： Loss=λcoord∑i=0S2∑j=0BIijobj[(xi−x^i)2+(yi−y^i)2]+λcoord∑i=0S2∑j=0BIijobj[(wi−w^i)2+(hi−h^i)2]+∑i=0S2∑j=0BIijobj(...
YOLOv3（3）损失函数
weixin_44929101的博客
05-06 2812
前言 今天是最后部分，众所周知损失函数对一个程序至关重要，但是在YOLOv3中几乎没有提到损失函数的，只有YOLOv1中有提到： def compute_loss(self, label_sbbox, label_mbbox, label_lbbox, true_sbbox, true_mbbox, true_lbbox): with tf.name_scope('sm...
（最简单）深度理解YOLOV3损失函数及anchor box
恩泽君的博客
05-14 1万+
对YOLOV3损失函数的深度理解 本博客为本人学习YOLOV3过程中所作笔记，为本人自己理解，本人并非大佬，固可能有理解错误之处，欢迎大家指正。   从阅读YOLO系列论文我们知道其损失函数大致一样，都为box的中心点误差、框大小误差、置信度误差、不存在box时置信度误差、分类的误差的和，但是YOLO每一代损失函数公式都有一些改变，其中YOLOV3其损失函数具体公式为： 1、损失函数分析  ...
YOLOv8改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
Limiiiing的博客
12-12 402
是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051 源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可： 用于计算各种损失。在内修改如下代码，使模型调用此损失函数。 tal.py中是一些损失函数的功能应用。在内修改如下代码，
YOLOv11改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
Limiiiing的博客
12-11 1396
是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051 源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可： 用于计算各种损失。在内修改如下代码，使模型调用此损失函数。 tal.py中是一些损失函数的功能应用。在内修改如下代码，
WIoU损失函数的原理
m0_46583515的博客
09-20 1万+
Yolov7提出的损失函数是GIoU(Generalized Intersection over Union)，能在更广义的层面上计算IoU(Intersection over Union)，但是当两个预测框完全重合时，不能反映出实际情况，此时GIoU就要退化为IoU，并且GIoU对每个预测框与真实框均要计算最小外接框，故损失函数计算及收敛速度受到限制。WIoU v3作为边界框回归损失，包含一种动态非单调机制，并设计了一种合理的梯度增益分配，该策略减少了极端样本中出现的大梯度或有害梯度。
【RT-DETR有效改进】SIoU、GIoU、CIoU、DIoU、WIoU等多种损失函数
Snu77的博客
11-28 3358
这篇文章介绍了RT-DETR的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高RT-DETR在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 2万+
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
RT-DETRv3：实时端到端目标检测的强大工具
最新发布
gitblog_00318的博客
04-08 845
RT-DETRv3：实时端到端目标检测的强大工具 RT-DETRv3 Official implementation of the WACV 2025 ( Oral ) paper. RT-DETRv3: Real-time End-to-End Object Detection with Hierarchical De...
RT-DETRv3: Real-time End-to-End Object Detection with Hierarchical Dense Positive Supervision
m0_46317927的博客
01-10 1406
RT-DETR是首个基于变换器的实时端到端目标检测器。其高效性来源于框架设计和匈牙利匹配。然而，与YOLO系列等密集监督检测器相比，匈牙利匹配提供的监督更加稀疏，导致模型训练不足，难以实现最佳结果。为了解决这些问题，我们提出了一种基于RT-DETR的层次化密集正向监督方法，命名为RT-DETRv3。首先，我们引入了一个基于CNN的辅助分支，提供密集的监督，并与原始解码器协作，以增强编码器的特征表示。其次，为了解决解码器训练不足的问题，我们提出了一种新颖的学习策略，涉及自注意力扰动。
RT-DETRv3：使用启发式密集正样本监督信号辅助训练
AI公园
10-09 592
导读RT-DETRv3 显著优于现有的实时检测器，包括RT-DETR系列和YOLO系列。例如，RT-DETRv3-R18 在保持相同延迟的情况下，实现了48.1%的AP（比RT-DETR-R18/RT-DETRv2-R18 提高了1.6%/1.4%），并且只需一半的训练周期即可达到相当的性能。摘要RT-DETR 是首个实时的基于Transformer的端到端目标检测器。其高效性来源于框架设计和匈牙...
算法论文/目标检测2——RT-DETRv3: Real-time End-to-End Object Detection with Hierarchical Dense Positive
ZhouDevin的博客
09-20 3267
RT-DETRv3引入了一个基于 CNN 的辅助分支，提供密集监督，与原始解码器协作以增强编码器特征表示。其次，为了解决解码器训练不足的问题，我们提出了一种涉及自注意力扰动的新型学习策略。该策略使多个查询组中的正样本的标签分配多样化，从而丰富了正监督。此外，我们引入了一个共享权重解码器分支进行密集正监督，以确保更多高质量查询与每个基本事实匹配。
RT-DETRv3横空出世！Transformer目标检测性能&耗时完爆YOLOv10！
m0_73122726的博客
11-03 1255
此外，Transformer拥有强大的全局上下文建模能力和并行计算能力，能精准捕捉图像中的信息，显著提高目标检测的效率。本文提出了一种基于RT-DETR的改进模型RT-DETRv3，通过引入CNN辅助分支和自注意力扰动策略，提供了层次密集正监督，显著提升了模型的训练效果和性能。该方法通过逐步扩展模型表示能力，实现稳定性和可塑性的平衡，并通过分离监督和计算减少类间混淆，进一步提出风险平衡的部分校准以有效重放示例。3.提出了风险平衡的部分校准方法，有效处理不完整标注的数据，避免过度关注特定阶段的类别。
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
qq_52302919的博客
03-31 6208
一个好的损失函数应该在锚盒与目标盒重合良好时弱化几何因素的惩罚，训练中较少的干预会使模型获得更好的泛化能力。一些飞机的标签是有争议的(下图)，一些选定的飞机缺乏突出的特征，如机身。受益于识别低质量示例的能力，WIoU v3训练的模型对某些类别的精度有了很大的提高。在训练的中后期，WIoU v3会给低质量的锚框分配较小的梯度增益，以减少有害的梯度。同时，针对普通质量的锚框，提高模型的定位性能。是动态的，锚框的质量划分标准也是动态的，这使得WIoU v3可以在每一个时刻做出最符合当前情况的梯度增益分配策略。
科研前线：超越YOLOv10！RT-DETRv3横空出世！
weixin_45303602的博客
09-19 1500
RT-DETR是第一款基于实时端到端转换器的物体检测器。它的效率来自于框架设计和匈牙利匹配。然而，与YOLO系列等密集监督检测器相比，匈牙利匹配提供的监督要稀疏得多，导致模型训练不足，难以实现最佳结果。为了解决这些问题，我们提出了一种基于RT-DETR的分层密集正监督方法，命名为RT-DETRv3。首先，我们引入一个基于CNN的辅助分支，它提供密集的监督，与原始解码器协作来增强编码器特征表示。其次，为了解决解码器训练不足的问题，我们提出了一种新的包含自我注意扰动的学习策略。
yolov8使用CIOU损失函数和使用WIOU损失函数相比，CIOU函数有什么不足
03-16
### CIOU 和 WIOU 损失函数的对比 #### CIoU 的优点与局限性 CIoU 是一种改进型交并比 (Intersection over Union, IoU)，旨在解决传统 IoU 在目标检测中的不足。相比传统的 IoU 或 GIoU，CIoU 不仅考虑了边界框之间...
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

Limiiiing

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