SloU
- 论文地址:SloU: More Powerful Learning for Bounding Box Regression
- 提出时间:
- 适用场景:适用于需要高精度边界框对齐的场景,如
精细的物体检测和小目标检测。
- 概念:SloU损失通过融入角度考虑和规模敏感性,引入了一种更为复杂的边界框回归方法,解决了以往损失函数的局限性,SloU损失函数包含四个组成部分:角度损失、距离损失、形状损失和第四个未指定的组成部分。通过整合这些方面,从而实现更好的训练速度和预测准确性。
WIoU
- 论文地址:Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
- 提出时间:
- 适用场景:适用于需要动态调整损失焦点的情况,如
不均匀分布的目标或不同尺度的目标检测。
GloU
- 论文地址:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
- 提出时间:Stanford大学
- 适用场景:适合处理有重叠和非重叠区域的复杂场景,如
拥挤场景的目标检测。
- 概念:在loU的基础上考虑非重叠区域,以更全面评估边界框。
DloU
- 论文地址:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
- 提出时间: 2020天津大学团队
- 适用场景:适用于需要快速收敛和精确定位的任务,特别是在边界框定位精度至关重要的场景。
- 概念:结合边界框中心点之间的距离和重叠区域。
EloU
- 论文地址:Focal and Efficient IOU Loss for Accurate Bounding Box Regression
- 提出时间:中科院提出
- 适用场景:可用于需要进一步优化边界框对齐和形状相似性的高级场景。
- 概念:EloU损失函数的核心思想在于提高边界框回归的准确性和效率。它通过以下几个方面来优化目标检测:
- 增加中心点距离损失:通过最小化预测框和真实框中心点之间的距离,提高边界框的定位准确性。
- 考虑尺寸差异:通过惩罚宽度和高度的差异,EloU确保预测框在形状上更接近真实框。
- 结合最小封闭框尺寸:将损失函数与包含预测框和真实框的最小封闭框的尺寸相结合,从而使得损失更加敏感于对象的尺寸和位置。
EloU损失函数在传统loU基础上增加了这些考量,以期在各种尺度上都能获得更精确的目标定位,尤其是在物体大小和形状变化较大的场景中。
Inner-IoU
- 论文地址:Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box
- 提出时间:2023
- 动机:提出了Inner-IoU损失,通过使用辅助边界框来加速回归,而无需添加任何新的损失项。其通过尺度因子ratio控制辅助边框尺寸以计算损失加速收敛,并能够集成至现有基于IoU的损失函数GIoU、DIoU、CIoU、EIoU、SIoU中。
- 引入比例因子控制来生成不同尺度的辅助边界框以计算损失。
自己的数据集效果不是很好。
Focal loss
- 论文地址:Focal Loss for Dense Object Detection
- 提出时间: Facebook AI团队
- 概念:提出目标便是解决高低质量样本类别不平衡的问题。
- 适用场景:适用于需要高精度边界框对齐的场景,如
精细的物体检测和小目标检测。
使用Focal_xIoU类损失一般都会提升精度。
整理不易🚀🚀,关注和收藏后拿走📌📌欢迎留言🧐👋📣✨
快来关注我的公众号🔎AdaCoding 和 GitHub🔎 AdaCoding123