PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

最新推荐文章于 2024-07-04 20:45:15 发布
最新推荐文章于 2024-07-04 20:45:15 发布
阅读量1.6k 收藏 2
点赞数 1
分类专栏： 计算机视觉论文阅读报告 文章标签： 深度学习 算法 计算机视觉 人工智能 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/qq_45806470/article/details/121504199
版权
PIoU Loss是一种针对复杂环境中旋转目标检测的IOU损失计算方法，旨在解决传统方法在处理小、密集、任意方向物体时的不足。论文提出的新损失函数PIoU Loss能更好地优化OBB回归，尤其对高长宽比物体敏感，适用于水平和定向边界框。此外，作者还创建了新的数据集Retail50K以促进对复杂环境的检测研究。
摘要由CSDN通过智能技术生成

PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

一种面向复杂环境下的精确旋转目标检测的IOU损失计算方法。

Zhiming Chen, Kean Chen, Weiyao Lin, John See,Hui Yu, Yan Ke, and Cong Yang
Clobotics, China Department of Electronic Engineering, Shanghai Jiao Tong University, ChinaFaculty of Computing and Informatics, Multimedia University,Malaysia

发表于：ECCV 2020

一. 研究动机

  目标检测是计算机视觉中的一项基本任务，最近的检测器大都是使用卷积神经网络的。尽管这些检测器都有最先进的性能，但是在旋转目标检测中，物体往往有以下特征 (1) 物体往往都很小（2）物体很密集 （3）物体的方向是任意的 。传统的目标检测中的边界框（BB）在检测这类物体时通常会有大量的背景，这会一定程度的误导分类器。当边界框内物体很密集或者有重叠时又会使检测器难以分离这些物体。为了解决这种缺陷，研究者们提出了定向边界框（OBB）。BB通常的表现形式（Cx,Cy,w,h），与此相比，OBB由（Cx，Cy，w，h，θ）组成。因此，OBB可以更好的包围目标以便于旋转和密集的物体可以被更好的检测和分类。

  使用定向边界框（OBB）的目标检测可以通过减少目标与背景的重叠更好的的预测旋转的物体。现有的OBB方法大多建立在水平边界框检测器的基础上，引入了一个由距离损失优化的额外角度维度。但是，距离损失仅仅最小化了OBB的角度损失，它与IOU相关性不够好（目标检测的评判标准）

最低0.47元/天 解锁文章
撒浪嘿呦x
关注
专栏目录
YOLOv10改进，YOLOv10损失函数更换为Powerful-IoU（2024年最新IOU），助力高效涨点
weixin_44779079的博客
09-16 833
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8438
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
《PIoU Loss：Towards Accurate Oriented Object Detection in Complex Environments》论文笔记
m_buddy的博客
04-07 482
参考代码：piou 1. 概述 导读：旋转矩形框的引入可以更好贴合目标的轮廓，一般是在水平矩形框的基础上添加一个旋转变量，之后通过诸如smooth L1损失函数进行约束，但是这样的约束方式并不能很好反应实际检测结果与GT的重合关系（IoU），特别是在一些长宽比例比较大的时候。对此文章从像素点的角度进行统计，从而计算出预测框与GT的交叠面积，文章将其称之为PIoU（pixels-IoU）。由于文章的PIoU是逐点进行计算的，因此其可以使用在水平框和旋转矩形框的场景上，其对于旋转框的定位具有较好的优化作用，特
PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments论文笔记
风行
12-15 402
PIoU Loss论文阅读（一）Title（二）Summary（三）Research Object（四）Problem Statement（五）Method5.1 Pixels-IoU(PIoU) Loss（六）Experiment6.1 实验细节6.2 Ablation Study6.3 Benchmark（七）Conclusion（八）Notes8.1 现有的OBB角度回归做法以及我们的做法8.2 Retail50K 数据集介绍 （一）Title 前言：作者改变前人在进行OBB回归时，使用水平anch
PIoU Loss：倾斜目标检测专用损失函数，公开超难倾斜目标数据集Retail50K | ECCV 2020 Spotlight
晓飞的算法工程笔记
09-09 4261
论文提出从IoU指标延伸来的PIoU损失函数，能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果，对anchor-based方法和anchor-free方法均适用。另外论文提供了Retail50K数据集，能够很好地用于评估倾斜目标检测算法的性能   来源：晓飞的算法工程笔记 公众号 论文: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments 论文地址：https://arxiv.org/a.
PIoU Loss|用于提高旋转目标检测器性能的新型损失函数
CV计算机视觉
05-24 1511
今天和大家分享一篇ECCV2020中关于旋转目标检测的文章： 源码地址：https://github.com/clobotics/piou 论文地址：https://arxiv.org/abs/2007.09584 动机 在检测旋转目标时，使用传统的Smooth L1损失会更关注减小角度误差（angle error）而不是减小全局IoU。如下图中图（a）所示，图中绿色的框是预测得到的Bounding Box，红色的框是ground truth。 在图（a）中，虽然2个目标的IOU一致，但是明显看到“细长
PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments论文阅读翻译 - 2020ECCV
深度检测的博客
10-11 672
PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments论文阅读翻译 文章目录PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments论文阅读翻译一、Abstract二、IntroductionContributions三、Pixels-IoU (PIoU) Loss 论文下载地址：点击此链接跳转. 这是博主自
【ECCV2020】目标检测论文解读（一）：PIoU Loss
weixin_47716911的博客
09-18 1536
文章来源 |极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/） 作者 | Chaser【极链AI云技术原创奖励计划】千元云币券获得者 原文地址 |目标检测论文解读（一）：PIoU Loss（官网论坛） PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments 发表于ECCV202...
【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-04 1079
边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，我们观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致锚框在回归过程中扩展，并且显著减慢了收敛速度。为解决这一问题，我们深入分析了锚框扩大的原因。为此，我们提出了一种Powerful-IoU（PIoU）损失函数，结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调整函数。PIoU损失引导锚框沿着高效路径进行回归，比现有基于IoU的损失函数实现了更快的收敛。
芒果YOLOv5改进69：损失函数篇之 PIoU：PIoU v1版本使用非单调聚焦机制更直接、更快的边界框回归损失，PIoU v2版本损失增强了专注于中等质量锚盒的能力
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-20 631
YOLOv5改进PIoU损失函数：使用非单调聚焦机制更直接、更快的边界框回归损失
定向边界框的非极大值抑制：用于在定向边界框 (OBB) 重叠的情况下抑制非极大值-matlab开发
05-30
函数“nms_orienting_rectangles”可用于根据分数将许多重叠的定向边界框合并为一个。 该方法使用分离轴定理进行重叠检测。 注意：此实现基于XY坐标系统，而不基于Matlab的行*列矩阵索引系统。 因此，在从 MATLAB 调用此函数之前，请确保将顶点转换为 XY 坐标系。 例如。 如果您在图像处理中使用它，则图像的像素将以 (a,b) 命名，其中 a 是行号，b 是列号。 通过移动原点将其转换为 XY 坐标系。 发邮件给我
ECCV2020 Piou Loss论文翻译
Q1u1NG的博客
09-04 1837
摘要:目标检测使用方向边界框(OBB)可以通过减少背景的重叠区域更好的检测到旋转物体。现存的方向边界框(OBB)大多数建立在横向边界框基础上，通过增加一个距离损失来做角度回归。然而基于距离损失的角度回归只能最小化角度距离，对于iou却很不敏感，它对高长宽比的对象不敏感。因此，一个新颖的损失函数Pixels-IoU (PIoU) Loss，就是设计成利用角度和IoU来进行精确的OBB回归。PIoU损失是由像素方向的IoU度量得到的，一个简单的并且适合方向边界框和横向边界框的方法。为了验证它的有效性，我们在an
PIoU Loss: 实现复杂场景下的精确定向目标检测
weixin_36670529的博客
03-14 2944
摘要 使用定向包围框（oriented bounding box）进行目标检测可以通过减少与背景区域的重叠来更好地定位有旋转倾斜的目标。现有的OBB方法大多是在水平包围框检测器（horizontal bounding box）上通过引入额外的角度尺度（通过距离损失进行优化）构建的。 但是，由于距离损失只将OBB的角度误差优化至最小，而且与IoU的相关性较松散，因此它对具有高长宽比的目标不敏感。 因此，本文提出了一种新的损失，即Pixels-IoU（PIoU）损失，以利用角度和IoU实现更精确的OBB回归。
YOLOV5学习笔记（九）——损失函数
HUASHUDEYANJING的博客
10-22 7655
目标置信度损失由正样本匹配得到的样本对计算，一是预测框中的目标置信度分数 p0，二是预测框和与之对应的目标框的 iou 值piou，其作为 ground-truth。两者计算二进制交叉熵得到最终的目标置信度损失。别损失与置信度损失类似，通过预测框的类别分数和目标框类别的 one-hot 表现来计算类别损失，目标置信度损失和类别损失使用的是带 sigmoid 的二进制交叉熵函数BCEWithLogitsLoss。v5 使用的是 CIoU Loss，后续又优化出EIOU Loss如下所示。
部分数据集格式介绍
qq_57348548的博客
10-15 933
ResultMerge.py 将被分割数据集的检测结果合并,便于后续评估模型性能。前八个表示有向矩形框，第九个表示类别，第十个表示辨别的难易程度。由于DOTA数据集的每张图片太大，故官方提供了切割代码。evaluation_task×.py 评估模型性能。HBB只需要左上顶点和右下顶点，而OBB需要四个点。（下载development kit即可）DOTA.py 加载图片并绘制目标边框。ImgSplit.py 分割数据集。HBB和OBB标注的主要区别。labelTxt的例子。HBB和OBB的例子。
【ECCV2020】接收论文列表part1
TomRen
07-18 6797
ECCV2020 接收论文完整列表 看论文学CV
IENet: Interacting Embranchment One Stage Anchor Free Detector for Orientation Aerial
weixin_36670529的博客
03-07 1161
摘要 航空图像中的目标检测是一项具有挑战性的任务，因为它缺乏可见的特征和目标的不同方向。目前，大量基于R-CNN框架的检测器在通过水平边界盒(HBB)和定向边界盒(OBB)预测目标方面取得了显著进展。然而，单级无锚解仍然存在开放空间。提出了一种基于逐像素预测检测器的航空图像定向目标单级无锚检测器。我们通过开发一个具有自我注意机制的分支交互模块来融合来自分类和框回归分支的特征，从而使它成为可能。在角度预测中采用几何变换，使预测网络更易于管理。我们还引入了一种比正多边形借条更有效的借条损耗来检测OBB。在DO
推荐20个目标检测iou变形，并给出地址
08-24
### 回答1： 1. 平行二维交并比（PASCAL VOC） 2. 修正平行二维交并比（IoU） 3. 一般化交并比（gIoU） 4. 加权交并比（wIoU） 5. 平行二维反交并比（CIoU） 6. 修正平行二维反交并比（GIoU） 7. 体积估计交并比（VoI） 8. 交并比损失函数（DIoU） 9. 动态交并比（DyIoU） 10. 交并比偏序关系（IoU-aware） 11. 平行二维交并比加权平均（mIoU） 12. 修正平行二维交并比加权平均（fmIoU） 13. 平行二维交并比平均（aIoU） 14. 修正平行二维交并比平均（faIoU） 15. 平行二维交并比加权准确率（pIoU） 16. 修正平行二维交并比加权准确率（fpIoU） 17. 平行二维交并比准确率（rIoU） 18. 修正平行二维交并比准确率（frIoU） 19. 平行二维交并比 F1 分数（fIoU） 20. 修正平行二维交并比 F1 分数（ffIoU） 这些变体都是与目标检测任务中常见的交并比（IoU）有关的，它们都是用于评估检测器的性能。 ### 回答2： 目标检测的IoU变形是指以Intersection over Union（IoU）为基础进行改进或扩展的目标检测方法。以下是推荐的20个目标检测IoU变形及其相关地址： 1. GIoU：Generalized Intersection over Union (https://arxiv.org/abs/1902.09630) 2. CIoU：Complete Intersection over Union (https://arxiv.org/abs/1911.08287) 3. DIoU：Distance Intersection over Union (https://arxiv.org/abs/1911.08287) 4. EIoU：Extremal Intersection over Union (https://arxiv.org/abs/1911.08287) 5. RIoU：Robust Intersection over Union (https://arxiv.org/abs/2011.13103) 6. CCIoU：Cross-class Intersection over Union (https://arxiv.org/abs/2012.12830) 7. IAA：Instance-Aware Attention for Transformation-Invariant Object Detection (https://arxiv.org/abs/1906.12368) 8. IoF：Intersection over Foreground (https://arxiv.org/abs/2101.05091) 9. MIoU：Modified Intersection over Union (https://arxiv.org/abs/1807.09441) 10. ACIoU：Adaptive and Context-aware IoU (https://arxiv.org/abs/1904.04873) 11. LCIoU：Log-Cosine IoU Loss for Anchor-Free Object Detection (https://arxiv.org/abs/2103.11731) 12. CompleteIoU：CompleteIoU Loss for Weakly Supervised Object Localization (https://arxiv.org/abs/2105.02625) 13. DiCINet：Directional Complete IoU for Object Detection (https://arxiv.org/abs/2106.09563) 14. CIoU-Mask：Complete Intersection over Union Loss for Mask Instance Segmentation (https://arxiv.org/abs/2104.07636) 15. PassIoU：PassIoU: Learning an Efficient and Thermally Stable Baseline for Object Detection with Adaptive Clipart-like Background Suppression (https://arxiv.org/abs/2103.02529) 16. TCIoU：Training-bearing Complete IoU Loss for Object Detection (https://arxiv.org/abs/2102.09874) 17. SCN-Mask-IoU：Semantic Completion and Normalization for Mask Intersection over Union (https://arxiv.org/abs/2109.14314) 18. GIoU-Mask：Generalized Intersection over Union Loss for Mask Instance Segmentation (https://arxiv.org/abs/2012.13487) 19. MSE-IoU：Mean Squared Error Intersection over Union for Neural Network Regression (https://arxiv.org/abs/2107.03411) 20. TrIoU：Transformed Intersection over Union: A Metric for Evaluating Weakly Supervised Instance Segmentation (https://arxiv.org/abs/2102.02615) 以上是一些目标检测IoU变形的论文地址，如果想了解更多细节，您可以点击链接阅读相关的论文。
评论 1
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