UnitBox论文笔记（IOUloss）

最新推荐文章于 2023-12-21 10:57:36 发布
最新推荐文章于 2023-12-21 10:57:36 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 论文笔记 文章标签： 论文笔记 IOU损失
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-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_39558227/article/details/103444628
版权

文章目录

UnitBox: An Advanced Object Detection Network
代码在mmdetection中有实现

Motivation

现有的deep CNN方法假设对象界限为四个自变量，分别通过l2损失进行回归。这种过于简化的假设与广为接受的观察结果相反，即这些变量是相互关联的，从而导致定位不准确（什么是广为接受的观察），提出用IOU损失来代替L2损失进行回归

关于其他论文的一些观点

fasterrcnn对于小目标检测下偶偶不好，因为锚框的尺度和比例是预设的，对目标的形状变换适应力不高。DenseBox是优化点到四条边的距离，用l2损失
在这里插入图片描述
如上图，直观地来看这四个变量应该是相关的，应该联合起来回归。并且Densebox需要图片金字塔才能检测，速度慢。

IoU损失

迫使gt和预测框有最大的IOU
对每个像素点预测这些变量
在这里插入图片描述

l2损失的缺点

1.是在优化四个独立的变量，没有利用四个变量的相关性
2.在给定两个像素的情况下，其中一个落入大的gt中，另一个落入小的gt中，前者会有更大的损失。l2的性质（用smoothl1就可以解决）

iou损失forward过程

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
表示当前位置落入了gt范围中
就是求相交面积
在这里插入图片描述
跟iou求法相似，很好理解。
利用了四个变量的相关性，同时不论bbox的尺度大小，输出的iou损失总是在0-1之间。

反传推导

在这里插入图片描述
在这里插入图片描述
可以看到惩罚来自两个部分，一个是预测框四个变量占了反传梯度的一定比例，另外还有对于gt和预测框相交区域I进行了惩罚。为了减小IOU损失，公式7会尽可能的去增大相交面积，同时预测更小的box。

UNITBOX NETWORK

在这里插入图片描述
结构已经十分过时，不在讨论。

yuyijie_1995
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
芒果YOLOv10改进46：损失函数IoU篇之Focaler-(Any) IoU：即插即用，最新 IoU论文，可支持XIoU、WIoU、SIoU、DIoU等基础上改进|更加关注联合损失的交叉点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-11 38
芒果YOLOv10改进46：损失函数IoU篇之Focaler-(Any) IoU：即插即用，最新 IoU论文，可支持XIoU、WIoU、SIoU、DIoU等基础上改进|更加关注联合损失的交叉点
easyui numberbox unitbox 扩展 插件 自定义 任意单位 整型编辑框 金额编辑框 重量编辑框
05-07
可变单位整型编辑框（前后交互用整型），自动换算单位（如：克显示为千克、吨；分显示为元）
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
athrunsunny的博客
02-03 2万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。
GIoU DIoU CIoU loss 损失函数
不佛的博客
12-01 1万+
目标检测任务中，Bounding Box的评估指标是IoU，IoU范围在(0,1)(0,1)(0,1)之间，具有尺度不变性，而且可以衡量各种形状的匹配程度。我们自然会考虑能否将IoU设计为一个损失函数。 IoU loss 最简单的，直接将1-IoU定义为损失，我自己在简单的目标检测项目中尝试过，基本没有办法学习，主要原因是：当预测框和目标框不相交时，IoU始终为0，损失函数不可导，无法优化。 另外这种损失定义方式无法区分IoU的各种情况，同样的IoU值，重叠形状可以有许多种，它们在效果上是有差异的，因此
深入理解 YOLOv4 中的 CIOU 损失函数计算方法
AI_dataloads的博客
11-13 7633
CIOU 损失函数是 YOLOv4 在原有 IOU（Intersection over Union）损失函数基础上的改进版本。它考虑了目标框之间的完整交叉，并引入了修正因子，以更精准地度量目标框之间的相似性。CIOU 损失函数的计算方法相比于传统 IOU 更为复杂，但这也使得模型在训练过程中能够更好地理解目标框的准确位置和形状。CIOU 损失函数在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性。这使得模型更容易捕捉目标的准确形状。
【DIoU】《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》
bryant_meng
02-24 2194
AAAI-2020 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method4.1 Analysis to IoU and GIoU Losses4.2 The Proposed Method5 Experiments5.1 Datasets5.2 YOLO v3 on PASCAL VOC5.3 SSD on PASCAL VOC5.4 Faster R-CNN on MS COCO5.5 Di.
【IoU loss】IoU损失函数理解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 5698
文章目录1 引言2 问题分析3 IoU Loss4 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss 之前写到了Smooth L1 Loss，本文介绍I
目标检测算法常用Loss——DIoU GIoU CIoU
AI_eNyu的博客
05-07 2698
目标检测算法常用Loss 文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充 1. 差值平方损失 在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。 2. IoU Loss 如下图三种不同的情况，明显第三个预测框与
【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 5124
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
【目标检测】26、IoU Loss: UnitBox: An Advanced Object Detection Network
呆呆的猫的博客
08-10 573
Loss，如 L1、Smooth L1、L2 等，它们通常都是计算角点的距离来衡量 Loss 的大小，指导模型的训练。在目标检测任务中，回归任务很多都使用。出处：ACM MM 2016。本文提出了 IoU loss。
【DIoU CIoU】DIoU和CIoU损失函数理解及代码实现
计算机视觉方面的点点滴滴，欢迎一起讨论
05-27 3442
文章目录1 引言2 问题分析3 作者思考4 DIoU Loss计算过程5 CIoU Loss计算过程6 IoU/GIoU/DIoU/CIoU代码实现可视化7 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss -->
IOU、GIOU、DIOU、CIOU详解及代码实现
qq_52302919的博客
01-13 1万+
一、IOU Loss 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://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。IOU满足非负性
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 2485
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
IoU Loss 损失函数
最新发布
mqdlff_python的博客
12-21 674
IoU Loss 损失函数
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU、EIOU
爱做菜的炼丹师
02-11 1万+
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:...
目标检测中的回归损失函数系列四：DIoU Loss / CIoU Loss
梦坠凡尘
05-12 1万+
论文：https://arxiv.org/pdf/1911.08287.pdf YOLOv-DIoU开源代码：https://github.com/Zzh-tju/DIoU-darknet
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
热门推荐
路人贾的博客
06-20 2万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
【目标检测算法】IOU、GIOU、DIOU、CIOU与YOLOv5损失函数
三木今天学习了嘛の博客
10-03 1万+
YOLOv5使用二元交叉熵损失函数计算类别概率和目标置信度得分的损失。YOLOv5使用 CIOU Loss作为bounding box回归的损失。介绍了IOU、GIOU、DIOU、CIOU的定义和不足。
【论文】Focal-EIOU Loss：Focal and Efficient IOU Loss for Accurate Bounding Box Regression 用于精确边界框回归
Hali_Botebie的博客
05-24 1466
损失函数之Focal-EIoU Loss:CVPR2020的一篇关于边界框损失函数文章：Focal and Efficient IOU Loss for Accurate Bounding Box Regression。在Focal-EIoU Loss这篇论文中，作者提出CIoU中的相对比例存在若干问题，因此提出了更为直接的使用边长作为惩罚项。此外为了解决低质量样本造成的损失值剧烈震荡的问题，这篇论文设计了一个用于回归的Focal Loss。
mathematica如何求UnitBox[x/3]与UnitBox[x/4]的卷积
06-02
下面是求解 UnitBox[x/3] 与 UnitBox[x/4] 的卷积的代码： ```mathematica f1[x_] := UnitBox[x/3]; f2[x_] := UnitBox[x/4]; Convolve[f1[x], f2[x], x, y] ``` 运行结果为： ``` 1/12 (-6 y + 4 Max[0, y - 3]...

“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

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