高斯分布、GBB和Prob IoU[旋转目标检测理论篇]

已于 2024-05-29 22:48:10 修改
阅读量1.5k 收藏 3
点赞数 3
分类专栏： YOLOv8深度剖析 文章标签： prob Iou GBB OBB HBB 旋转矩阵 高斯概率分布 旋转目标检测
于 2024-05-28 23:55:00 首次发布
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_45144684/article/details/139280640
版权
本文深入探讨了旋转目标检测中的关键概念，包括高斯分布、GBB（Gaussian Bounding Boxes）及其概率IoU（Prob IoU）。详细解释了一维和二维高斯分布的特性，以及如何通过均值、方差和协方差计算GBB的高斯概率分布。此外，文章还介绍了旋转矩阵和旋转边界框的高斯概率分布推导，为理解Prob IoU的计算奠定基础。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

        在开始介绍YOLOv8_obb网络之前，需要先介绍一下arxiv.org/pdf/2106.06072

这篇文章的工作，因为v8_obb就是基于这篇论文提出的GBB和prob IoU来实现旋转目标检测的。

1.高斯分布 

        一维高斯分布的规律是中间高两边低，且当x为均值的时候取到最大值，表达式如下，标准正态分布图如下所示（μ=0，σ=1）：

了解本专栏 订阅专栏 解锁全文
【YOLO】ProbIoU（Probability Intersection over Union）技术详解
浩瀚之水的专栏
05-09 166
ProbIoU（概率交并比）是一种创新的目标检测评估指标，通过将边界框建模为概率分布，解决了传统IoU在非重叠情况下的梯度消失问题，并提升了对模糊边界和不确定性的鲁棒性。其核心思想是将边界框视为二维高斯分布，通过概率密度函数的交并比衡量匹配度，确保即使无几何重叠也能提供梯度。ProbIoU在数学上通过高斯分布的乘积和积分计算交集和并集概率，最终得到连续可微的ProbIoU值。该方法在实现上通过协方差矩阵简化和对数空间计算优化效率，并在实验中表现出检测精度和训练稳定性的提升。
YOLOv8_obb训练流程-原理解析[旋转目标检测理论篇]
ice
06-02 3754
本文主要介绍了YOLOv8旋转目标检测的流程，介绍了标签的解码、预测结果的解码，以及如何理解旋转角度等内容，还介绍旋转目标检测框的正样本选取及Loss计算。
结合YoloV8讲解论文：Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection
记录图像处理中遇到的点点滴滴
12-10 1715
基于yolov8 obb iou讲解其原理和代码实现，通过读取文章以了解其局限性和改进方法
【论文学习】G-Rep：面向任意目标检测的高斯表示
pinfan12138的博客
09-16 1887
【论文学习】G-Rep: Gaussian Representation for Arbitrary-Oriented Object Detection
应用高斯分布来解决异常检测问题（一）
aicang3370的博客
09-03 361
(原创文章，转载请注明出处！) 异常检测的样本数据，可能有标签，但通常正常状况的样本很多，异常状况的样本很少，并且出异常的原因通常也不尽相同。所以，可以只针对正常状况的样本建模。 而如果收集到一堆的数据没有标签，则可以对所有的样本数据用一个模型建模，因为通常数据中异常状况的样本很少，对最终模型的影响很小。 通常样本数据是多维的，所在使用高斯分布来建模的时候，可以分别对每一维使用一个...
带你读AI论文丨用于目标检测的高斯检测框与ProbIoU
华为云官方博客
08-19 2807
摘要：本文解读了《Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection》，该论文针对目标检测任务，提出了新的高斯检测框(GBB)，及新的计算目标相似性的方法(ProbIoU)。
yolov8-obb中的probiou
qq52144324的博客
02-27 2437
原论文 “https://arxiv.org/pdf/2106.06072v1.pdf”。该函数接受两个定向边界框（Oriented Bounding Boxes，OBB）作为输入，分别为真实的边界框和预测的边界框，然后计算它们之间的相似度。这个函数 probiou 是用于计算定向边界框之间的概率交并比是yolov8-obb计算损失时的核心代码，其可以缓解边界不连续的问题。
Gaussian Bounding Boxes and Probabilistic Intersection-over-Union for Object Detection阅读笔记
风行
12-21 1273
ProbIoU论文阅读笔记
YOLOv8深度剖析专栏导航
ice
05-05 1035
关于YOLOv8深度剖析专栏的介绍及目录导航及更新通知。
YOLOv8_det/seg/pose/obb网络结构
热门推荐
ice
05-05 1万+
主要介绍了YOLOv8目标检测、实例分割、关键点检测及旋转目标检测的网络结构。
【YOLOv8 代码解读】所有任务Loss损失代码梳理
m0_51579041的博客
03-26 1万+
【YOLOv8 代码解读】所有任务Loss损失代码梳理
YOLO11 旋转目标检测 | OBB定向检测 | ONNX模型推理 | 旋转NMS
黎国溥
11-12 4606
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行任务的。用，便于算法到开发板或芯片的部署。本文提供源代码，支持不同尺寸图片输入、支持旋转NMS过滤重复框、支持旋转IOU计算。备注：本文是使用Python，编写ONNX模型推理代码的。
对象检测边界框损失 – 从IOU到ProbIOU
u012374012的专栏
09-20 675
目标检测损失函数的选择在目标检测问题建模中至关重要。通常，目标检测需要两个损失函数，一个用于对象分类，另一个用于边界框回归（BBR）。本文将重点介绍 IoU 损失函数（GIoU 损失、DIoU 损失和 CIoU 损失、ProbIoU）。首先来了解一下什么是最原始的IoU定义2.什么是IOU(并交比)对象检测中的 mAP（平均精度）指标是根据 IoU（交集超过并集）进行评估的。
目标检测——PP-YOLOE-R算法解读
lishanlu136的博客
03-19 2606
百度旋转框目标检测算法PP-YOLOE-R算法解读
基于改进RoI Transformer的遥感图像多尺度旋转目标检测
longtengzhangjie的博客
12-19 477
源自：应用光学 作者：刘敏豪, 王堃, 金睿蛟, 卢天, 李璋 “人工智能技术与咨询” 发布 摘 要 旋转目标检测是遥感图像处理领域中的重要任务，其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题，提出了一种改进的RoI Transformer旋转目标检测框架：首先，利用RoI Transformer检测框架获取旋转的感兴趣区域特征(rotated region of interest, RRoI)用于鲁棒的几何特征提取；其次，在检测器中引入高分辨率网络(high-
目标检测 | 高斯YoloV3值得学习应用（文中供源码链接）
gzq0723的博客
05-12 564
点击蓝字关注我们扫码关注我们公众号: 计算机视觉战队扫码回复：高斯yolov3，获取下载链接概述这个高斯yolov3是一个老的技术，最近看到了，就和大家分享一下！在目标检测中，实时性和...
目标检测 PAA - 高斯混合模型（GMM）和期望最大化算法（EM algorithm）
二分掌柜的
11-12 2017
Probabilistic Anchor Assignment with IoU Prediction for Object Detection Given a set of anchor scores, the likelihood of this GMM can be optimized using Expectation-Maximization (EM) algorithm. 有一个数据集 一半数据来自高斯分布A，一半数据来自高斯分布B，两种数据的来源都是不同的高斯分布随机生成的，能够描述这个数据集
基于混合高斯模型的运动目标检测算法
静谧、淡雅
07-21 1万+
运动目标检测是计算机视觉领域中的一个重要内容，其检测效果将会对目标跟踪与识别造成一定的影响。 1混合高斯背景模型 在混合高斯模型中，对图像中每一个像素点建立K个高斯模型，对于t时刻像素点X的概率密度函数如下所示。 2背景的选取 首先，按权值和标准差的比值将每个像素点的K个高斯分布由大到小进行排序，则描述背景可能性越大的分布越靠前，描述背景可能性...
GWD：基于高斯Wasserstein距离的旋转目标检测 | ICML 2021
晓飞的算法工程笔记
06-29 2036
论文: Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss  任意朝向的目标在检测数据集中无处不在，相对于水平的目标检测，旋转目标检测仍处于起步阶段。目前，大多数SOTA研究都集中于回归目标的旋转角度，而解决旋转角度则带来新的问题：i) 指标与损失不一致。ii) 旋转角度回归区间不连续。 iii) 方形问题。事实上，以上的问题还没有很好的解决方案，这会极大地影响模型的性能，特别是在角度在范围边界的情况。  为
sap 替代gbb1 debug
最新发布
01-24
### SAP 中替代 GBB1 的调试方法 在 SAP 环境中，对于需要调试的情况，可以采用多种方式来代替传统的 GBB1 方法。一种常用的方法是通过事务代码 `=SHCB` 来实现更高效的调试过程[^2]。 当希望对特定功能模块或程序进行深入分析时，可以在 tcode 输入框中输入 `=SHCB` 并按下回车键。这将引导用户进入一个由系统自动生成的源码界面，在这里可以根据需求设置断点并逐步执行代码以便更好地理解其运行机制和数据流情况。 除了上述提到的方式外，还可以考虑利用 BAdIs (Business Add-Ins) 进行扩展开发与调试工作。例如 IM_BEHAVIOUR 这样的 BAdI 可用于修改标准流程逻辑而不改变核心代码结构；这种方式不仅提高了灵活性也便于后期维护和支持个性化定制需求[^1]。 另外值得注意的是，SAP 提供了一系列强大的内置工具和技术手段支持开发者完成复杂的诊断任务： - **ST05 SQL Trace**: 记录数据库访问活动，帮助识别性能瓶颈所在； - **SE38/SE80 Debugger Tools**: 支持在线编辑器内联调用堆栈查看以及变量监视等功能； - **SAT (System Audit Trail)**: 有助于追踪应用程序级别的变更历史记录。 这些工具能够满足不同场景下的调试需求，并且提供了更加直观的操作体验给到使用者。 ```abap REPORT zdebug_example. START-OF-SELECTION. " 设置断点位置 BREAK-POINT. DATA: lv_message TYPE string VALUE 'Debugging with alternative methods'. WRITE: / lv_message. ```
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

打赏作者

吃鱼不卡次

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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