目标检测目标框回归函数对比

最新推荐文章于 2024-01-29 14:09:57 发布
最新推荐文章于 2024-01-29 14:09:57 发布
阅读量407 收藏 1
点赞数 1
分类专栏： 目标检测 文章标签： 深度学习
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_45468373/article/details/109745278
版权
本文详细对比了目标检测中常用的IOU、L1&L2&SmoothL1、GIOU、DIOU和CIOU损失函数，分析了各自的优缺点。IOU具有尺度不变性，但当预测框与真实框不相交时梯度消失。L1、L2和SmoothL1在不同场景下各有优劣。GIOU、DIOU和CIOU试图解决IOU的局限，尤其是CIOU考虑了长宽比，但特定情况下仍可能退化为IOU。
摘要由CSDN通过智能技术生成

本文主要介绍了IOU、L1&L2&SmoothL1、GIOU、DIOU、CIOU损失函数，并说明了各损失函数的优缺点。

1.IOU

Iou的就是交并比，预测框和真实框相交区域面积和合并区域面积的比值，计算公式如下，Iou作为损失函数的时候只要将其对数值输出就好了。
在这里插入图片描述

优点：
1.IOU作为距离时(比如： L I O U = 1 − I O U L_{IOU}=1-IOU LI

最低0.47元/天 解锁文章
高桥、森
关注
专栏目录
目标检测回归损失函数（看情况补...）
qihshe的博客
11-08 1936
L1/L2/SmoothL1/IoU/GIoU/DIoU/CIoU Loss
学习系列一：YOLO系列目标检测框架之间介绍及对比
最新发布
m0_60890175的博客
07-21 190
YOLO系列目标检测框架之间介绍及对比
cnn 回归 坐标 特征图_目标检测从R-CNN到Faster R-CNN
weixin_42467518的博客
12-10 560
目标检测从R-CNN到Faster R-CNN 至深度学习热潮的涌起，许多计算机视觉领域传统任务的精度和速度被不断刷新，对于目标检测任务基于深度卷积网络的方法也立刻成为了众多学者研究的对象，其中R-CNN即为深度模型在object detection应用的开山之作。在此基础上Ross、Kaiming等大佬又不断对网络进行改进和优化又发展出Fast R-CNN、Faster R-CNN。至此，以F...
检测回归的目标
yang_daxia的博客
10-16 297
检测回归: 一般回归矩形, 或者旋转矩形, 或者四边形, 如TextBox++, 和East中的描述 矩形: 1.anchor vs anchor free 基于anchor的如faster-rcnn系列, 人工设计anchor 即回归的为anchor与gt的偏差offset 如果没有anchor如fcos: 回归检测框区域每一个像素点相对于gt左上, 右下的偏差. (无ancho...
边框回归
qq_43152949的博客
10-21 293
边框回归 边框回归是什么？ 对于窗口一般使用四维向量（x，y，w，h）来表示，分别表示窗口的中心点坐标和宽高。对于图2，红色的框P代表原始的Proposal，绿色的框 G 代表目标的 Ground Truth， 我们的目标是寻找一种关系使得输入原始的窗口 P 经过映射得到一个跟真实窗口 G 更接近的回归窗口 边框回归怎么做？ 线性回归就是给定输入的特征向量X，学习一组参数W，使得经过线性回归...
深度学习之边框回归(Bounding Box Regression)
fenglepeng的博客
05-31 3664
从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到cvpr的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多paper，才得出这些结论。 为什么要边框回归？ 什么是边框回归？ 边框回归怎么做的？ 边框回归为什么宽高，坐标会设计这种形式？ 为什么边框回归只能微调，在离Ground Truth近的时候才能生效？
边框回归原理
wchange7的博客
12-18 1091
bounding-box regression（边框回归原理） ![目标图像] 边框回归主要是因为region proposal或者anchors与ground-truth box的交并比（IoU）不高，没有比较精确地检测出object的位置，这时通过bounding-box regression就能得到一个接近ground-truth box的边界框。 边框一般使用4维向量（x,y,w,h）表...
目标检测回归损失函数简介
baidu_36557924的博客
08-04 2097
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线： 本文按照此路线进行讲解。 1、Smooth L1 Loss 1.1均方误差MSE (L2Loss) 均方误差（Mean Square Error,MSE）是模型预测值f(x)与真实样本值y之间差值平方的平均值，其公式如下 M...
手把手教你如何自制目标检测框架（从理论到实现）
`or 1 or 不正经の泡泡
08-01 3389
好久没有冒泡了，是时候来波大的了，也是由于特殊需求，不得不重启关于目标检测的一些内容。既然如此，那么刚好把以前要做的yolo目标检测相关的代码进行复现，并且好好把这个目标检测说清楚一点儿。此外本文基于Pytorch进行编写，有空后期tensorflow也可以试试。GitHub水项目之快速上手YOLOV5YOLOV5参数设定与模型训练的坑点一二三YOLOV1论文小整理嘿~全流程带你基于Pytorch手撸图片分类“框架“–HuClassify那么本文两个目标一.理论搞清楚什么是目标检测。......
边框回归（Bounding Box Regression）详解以及数学公式详解
weixin_44623637的博客
02-08 1860
为什么要边框回归？ 什么是边框回归？ 边框回归怎么做？ 边框回归宽高，坐标为什么这样设计？ 为什么边框回归 只能微调，在离Ground Truth近的时候才能有效？ 为什么要边框回归？ 这里引入别人的理解，如图： 对于上图，绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的...
Faster RCNN原理介绍+bounding box 回归原理介绍
05-08
经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦！
YOLO系列学习
孟孟单单的博客
05-05 2871
目录0 一些小知识0.1 先验框 anchor box0.2 网络结构图1 YOLOv1学习2 YOLOv2学习 0 一些小知识 yolo官方网站：https://pjreddie.com/darknet/ YOLOv3论文全文完整理解翻译 0.1 先验框 anchor box 目标检测中anchor box(先验框)的理解 先验框的个人理解 先验框最早提出于Faster RCNN，初衷是为了代替selective search算法。 先验框是根据特征图生成的，即，特征图上每个位置都有一定数目不同比例的
目标检测中的IOU和CIOU原理讲解以及应用（附测试代码））
哆啦A梦爱学习的博客
08-15 8595
上期讲解了目标检测中的三种数据增强的方法，这期我们讲讲目标检测中用来评估对象检测算法的IOU和CIOU的原理应用以及代码实现。交并比IOU交并比IOU(Interp ov...
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 8522
目标检测常用边界框IOU对比
MOT多目标跟踪及Deep Sort学习笔记
qq_51682716的博客
07-15 3400
多目标跟踪学习笔记 多目标跟踪处理的对象是视频，从视频的第一帧到最后一帧，里边有多个目标在不断运动。多目标跟踪的目的就是将每个目标和其他目标进行区分开来，具体方法是给每个目标分配一个 ID，并记录他们的轨迹。目标跟踪与目标检测不同，目标检测无法给每个对象分配ID，其是不稳定的；而目标跟踪可以优化整个过程，分配ID并进行轨迹追踪。 1.MOT16数据集 链接：https://pan.baidu.com/s/19y8dSEM9tOIqPK2vxLfrBQ 提取码：mpvi MOT——Multiple Objec
深入理解 YOLOv4 中的 CIOU 损失函数计算方法
AI_dataloads的博客
11-13 9877
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。
目标检测中的预测框回归优化之IOU、GIOU、DIOU、CIOU和EIOU
热门推荐
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......
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 3973
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:...
IOU 系列：IOU,GIOU,DIOU,CIOU
weixin_47748259的博客
01-29 1798
边界框回归的三大集合因素：重叠面积、中心点距离、纵横比IoU：考虑了重叠面积，归一化坐标尺度；GIoU：考虑了重叠面积，基于IoU解决边界框不想交时loss等于0的问题；DIoU：考虑了重叠面积、中心点距离，基于IoU解决GIoU收敛慢的问题；CIoU：考虑了重叠面积、中心点距离、纵横比，基于DIoU提升回归精确度。【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标IoU系列（IoU, GIoU, DIoU, CIoU）
轻量级目标检测框架YoloV5技术解析
YOLO将目标检测任务视为一个回归问题，直接从图像像素到类别概率和边界框坐标的预测。这意味着YOLO在处理图像时可以一次性完成目标检测，而不需要采用传统的分割然后再识别的流程，从而极大地提高了检测速度。 ...
评论 1
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