giou--box回归两个坐标好还是回归中心点和宽高好?

最新推荐文章于 2024-05-30 11:24:50 发布
最新推荐文章于 2024-05-30 11:24:50 发布
阅读量513 收藏
点赞数
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/weixin_38145317/article/details/100878988
版权

giou的文献是CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》,可参考

 https://arxiv.org/abs/1902.09630

目前,在目标检测领域,有的学者直接回归了box的左上(xmin,ymin)和右下(xmax,ymax)的坐标,有的是回归一个box的中心点和宽,高,那么,这两种方式到底哪个会好一些呢?

先来看,

目前目标检测中,主流的边界框优化采用的都是BBOX的回归损失(mse loss, L1-smooth loss等),这些方式计算损失值的方式都是检测得"代理属性"-距离,而忽略了检测框本身最显著的性质--iou.如下图所示,

黑色框代表预测框,绿色框代表真实标注,假设预测框的两个顶点分别在以绿框的左上和右下顶点为圆心的圆周上.两个框的左上和右下顶点坐标分别为

y_{true}:(x_1,y_1,x_2,y_2),~~~y_{pred}:(\hat{x}_1,\hat{y}_1,\hat{x}_2,\hat{y}_2)

所以由L2范数构造的损失值为

loss=\sqrt{(x_1-\hat{x}_1)^2+(y_1-\hat{y}_1)^2+(x_2-\hat{x}_2)^2+(y_2-\hat{y}_2)^2}

以giou论文中的图来说明

因为圆的半径相等,所以三个图的损失值

loss=\sqrt{r_1^2+r_2^2}

是相等的,但从图(a)可以看出,明显第一种情况iou较小,效果不好,说明在L2范数取到相同的值时,实际上检测效果确是差异巨大的,直接表现就是预测和真实检测框的iou值变化较大,这说明以L2范数来直接回归左上和右下坐标(x1,y1,x2,y2)的效果不是特别理想.

问题:

1. 我们网络回归的目的是loss比较小,当然在loss比较大的时候会出现上图的情况,但训练到最后,loss小的时候,iou都比较大了,也就不存在上图的情况了,所以基于上图来做改进,不会影响最终的模型的检测效果吧?

待解决,2019-9-17

再来看下回归一个box的中心点和宽,高,但这里会有正则化问题,因为中心点是在位置空间,而宽高(w,h)属于大小空间.

从图上直观理解,用iou来刻画损失值可能会更好些,但实际上为什么没有采用iou呢?这是由于iou有两个缺点,导致其不太适合做损失函数.

(1)若预测框y_pred与真实值y_true即ground truth(gt)之间没有重合时,iou为0,反映在损失函数,就是loss=0,意味着无法优化

2)在检测框与gt之间iou相同时,检测的效果也有很大差异,如下图所示

基于iou的优良特性和其作为损失函数时的致命缺点,作者提出了一个新的概念,giou,具体的需要看下论文.

wanghua609
关注
YOLOv5改进系列（14）——更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS
路人贾的博客
07-06 5298
手把手教你改进YOLOv5系列更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS超级详细！
yolov5使用最新MPDIOU损失函数，有效和准确的边界盒回归的损失，优于GIoU/EIoU/CIoU/EIoU（附代码可用）
qq_42754919的博客
09-18 2408
MPDIOU 能够有效解决重叠和包含问题，并且能够有效地处理预测框和目标框长宽比相同的情况，而且计算量小，模型训练速度快。在数据集上测试和验证，发现能够提升训练精度，并且有效地区分两个目标存在包含的关系的预测框回归，推荐大家使用MPDIOU 进行训练。
IoU, GIoU, DIoU, CIoU, SIoU loss函数python实现
qq_43522163的博客
12-07 1264
IoU, GIoU, DIoU, CIoU, SIoU
【pytorch】目标检测指标iou的升级版：giou实现
种一棵树最好的时间是十年前，其次是现在
04-19 822
相比于传统的IOU，判别重合程度时，使用GIOU，是为了解决以下两个问题： 1.预测的检测框如果和真实物体的检测框没有重叠，无法进一步优化。 2.对于两个IoU相同的物体，他们的对齐方式IoU并不敏感。 于是有如下公式： GIoU对scale不敏感 GIoU是IoU的下界，在两个框无线重合的情况下，IoU=GIoU IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。 实现giou的p
目标检测-回归损失函数
shhh的博客
01-20 1125
最近在对损失函数进行改进，对经典的损失函数以及最近学习的损失函数进行梳理。
目标检测中的预测框回归优化之IOU、GIOU、DIOU、CIOU和EIOU
哆啦A梦爱学习的博客
03-16 1万+
点击上方“码农的后花园”，选择“星标”公众号精选文章，第一时间送达目标检测分为：目标分类+目标定位两个任务。目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度......
GIoU详解
热门推荐
景唯acr
04-14 4万+
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 蓝色 动机： Io IoU同时作为度量和损失函数时，存在两个问题: 如果两个目标没有重叠，IoU将会为０,并且不会反应两个目标之间的距离，在这种无重叠目标的情况下，如果IoU用作于损失函数，梯度为０，无法优化。 IoU无法区分...
【深度学习】锚框损失 IoU Loss、GIoU Loss、 DIoU Loss 、CIoU Loss、 CDIoU Loss、 F-EIoU Loss
q742971636的博客
03-26 5345
文章目录IoU Los （Intersection over Union）GIoU Loss（考虑重叠面积）Generalized Intersection over UnionDIoU Loss（考虑重叠面积，中心点距离）Distance IoUCIoU Loss（考虑重叠面积，中心点距离，宽高比）Complete IoU LossCDIoU Loss (Control Distance IoU Loss)F-EIoU Loss（Focal and Efficient IOU Loss）在模型上的效果评
YOLOv5全面解析教程③：更快更好的边界框回归损失
OneFlow深度学习框架
02-02 5211
边界框回归是目标检测的关键步骤，在现有方法中，虽然被广泛用于边界框回归，但它不是针对评估指标量身定制的，即 Intersection over Union (IoU)。最近，已经提出了 IoU 损失和 generalized IoU (GIoU) Loss 作为评估 IoU 的指标 ，但仍然存在收敛速度慢和回归不准确的问题。在本文中，我们通过结合预测框和目标框之间的归...
【YOLOv8改进[损失函数]】使用MPDIou回归损失函数助力YOLOv8更优秀
静谧、淡雅
05-30 253
使用MPDIou回归损失函数助力YOLOv8更优秀，改进损失函数。
Adblcok Plus18最新版3.4.2
12-08
过滤广告神器 强烈推荐 一直在用 程序员必备 直接解压后 选择谷歌浏览器的加载已解压的扩展程序 ，选择解压的文件主目录 如此简单 从此告别广告
python实现的Iou与Giou代码
09-18
今天小编就为大家分享一篇python实现的Iou与Giou代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
bounding box回归的原理学习——yoloV1
brightming的专栏
09-23 1万+
参考： https://zhuanlan.zhihu.com/p/25236464 http://blog.csdn.net/williamyi96/article/details/77530948 http://blog.csdn.net/zijin0802034/article/details/77685438 https://leonardoaraujosantos.gitbooks.
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 3938
一、IOU Loss上一篇文章提到L1,L2及其变种只将Bounding box的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。文章链接：https:...
目标检测中的b-box回归损失函数(IOU，GIOU，DIOU，CIOU)
木盏
03-11 6334
目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1. 确定目标大概位置；2. 分类出目标类别；3. 回归出检测框的宽高； 这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。 1. IOU 全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好，作为调整模型的指导。 原文链接：[1608.01471] UnitBox: An Advance
IOU-Net 算法笔记
AI之路
08-24 1万+
论文：Acquisition of Localization Confidence for Accurate Object Detection 论文链接：https://arxiv.org/abs/1807.11590 这篇ECCV2018的文章个人非常喜欢，我们知道在目标检测算法中最后一般都会通过NMS算法移除重复预测框，移除的依据是预测框的分类得分（classification confi...
MATLAB拟合优度检验
sereasuesue的博客
12-16 9445
h = chi2gof(x)返回零假设的测试决策，即矢量中的数据来自正态分布，使用 chi-square 拟合优度检验估计为均值和方差。另一种假设是，数据不是来自这种分布。结果是，如果检验在 5% 显著性水平上拒绝零假设，则相反 h = chi2gof(x,Name,Value)返回 chi-square 拟合优性测试的测试决策，并附加由一个或多个名称值对参数指定的选项。例如，您可以测试除正态的分布，也可以更改测试的显著性级别。 [h,p] = chi2gof(___) [h,p,stats] =..
yolov3--22--一文详解yolov3中用GIoU作为边界框检测的Loss_论文笔记
天明宇朗的博客
03-09 4669
来源：CVPR2019论文Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression的解读 通过对Loss的修改提升检测任务的效果，觉得思路很棒 IoU是检测任务中最常用的指标，由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE lo...
三维重建-基于Matlab实现结构光三维重建算法-优质项目分享.zip
最新发布
10-17
三维重建_基于Matlab实现结构光三维重建算法_优质项目分享
Inner-GIoU
05-12
它是基于GIoU（Generalized Intersection over Union）指标进行改进而来的，与GIoU相比，Inner-GIoU将计算交集和并集的方式由外部转换为内部，因此可以更好地惩罚预测框和真实框之间的重叠部分过小的情况。...
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
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