- 博客(3)
- 收藏
- 关注
RSS订阅原创 作者导读：Focaler-IoU: 更加聚焦的IoU损失
边框回归在目标检测领域扮演着关键角色，目标检测的定位精度很大程度上取决于边框回归损失函数。现有的研究通过利用边框之间的几何关系来提升回归效果，而忽略难易样本分布对于边框回归的影响。在本文我们分析了难易样本分布对回归结果的影响，接着我们提出Focaler-IoU方法,其能够在不同的检测任务中通过聚焦不同的回归样本来提升检测器的效果。最后针对不同的检测任务使用现有先进检测器与回归方法进行对比实验，使用本文方法后检测效果得到进一步提升。
2024-01-22 15:32:55
1985
2
原创 作者导读：Shape-IoU：考虑边框形状与尺度的度量
作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。
2024-01-01 23:34:36
4686
22
原创 作者导读：Inner-IoU：基于辅助边框的IoU损失
摘要—随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。
2023-11-09 23:36:54
3035
21
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人