YOLOv10全网最新创新点改进系列:提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数,有效涨点!!嘎嘎开门!!!
所有改进代码均经过实验测试跑通!截止发稿时YOLOv10已改进50+!自己排列组合2-4种后,考虑位置不同后可排列组合上千万种!改进不重样!!专注AI学术,关注B站up主:Ai学术叫叫兽er!
购买相关资料后畅享一对一答疑!
YOLOv10全网最新创新点改进系列:提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数,有效涨点!!嘎嘎开门!!!
详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!
一、Normalized Wasserstein Distance (NWD)损失函数-摘要
检测微小物体是一个非常具有挑战性的问题,因为微小物体只有几个像素大小。我们证明,由于缺乏外观信息,最先进的检测器无法对微小物体产生令人满意的结果。我们的主要观察结果是,基于交集并集(IoU)的度量,如IoU本身及其扩展,对微小对象的位置偏差非常敏感,当用于基于锚的检测器时,会显著降低检测性能。为了减轻这一点,我们提出了一个新的评估指标使用Wasserstein距离的微小物体检测。具体来说,我们首先将包围盒建模为2D高斯分布,然后提出一种称为归一化瓦瑟斯坦距离(NWD)的新度量,通过它们对应的高斯分布来计算它们之间的相似性。所提出的NWD度量可以容易地嵌入到任何基于锚的检测器的分配、非最大值抑制和损失函数中,以取代通常使用的IoU度量。我们在一个新的微小物体检测数据集(AI-TOD)上评估了我们的度量,其中平均物体大小比现有的物体检测数据集小得多。大量实验表明,当配备NWD度量时,我们的方法产生的性能比标准微调基线高6.7 AP点,比最先进的竞争对手高6.0 AP点。
IoU 对微小和正常尺度物体的敏感性分析。 请注意,每个网格表示一个像素,框 A 表示真实边界框,框 B、C 表示分别具有 1 像素和 4 像素对角线偏差的预测边界框。
两种不同场景下 IoU-偏差曲线和 NWD-偏差曲线的比较。 横坐标值表示A和B中心点之间的像素偏差数量,纵坐标值表示对应的度量值。 请注意,边界框的位置只能离散变化,值-偏差曲线以散点图的形式呈现。
AI学术叫叫兽 在这!家人们,给我遥遥领先!!!
AI学术叫叫兽 在这!家人们,给我遥遥领先!!!
AI学术叫叫兽 在这!家人们,给我遥遥领先!!!
二、亮点(创新点)
我们的贡献总结如下。
- 我们分析了 IoU 对微小物体位置偏差的敏感性,并提出 NWD 作为衡量两个边界框之间相似性的更好指标。
- 我们通过将NWD 应用于基于锚的检测器中的标签分配、NMS 和损失函数,设计了一个强大的微小物体检测器。
- 我们提出的 NWD 可以显着提高流行的基于锚的检测器的 TOD 性能,并且在 AI-TOD 数据集上的 Faster R-CNN 上实现了从 11.1% 到 17.6% 的性能提升。
三、 改进教程
视频演示地址请关注B站:Ai学术叫叫兽
四、验证是否成功即可
执行命令
python train.py
改完收工!
关注B站:AI学术叫叫兽
从此走上科研快速路
遥遥领先同行!!!!
详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽er 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!
五、写在最后
学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通,所以本文作者即B站Up主:Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑,本up主获得过国奖,发表多篇SCI,擅长目标检测领域,拥有多项竞赛经历,拥有软件著作权,核心期刊等经历。因为经历过所以更懂小白的痛苦!因为经历过所以更具有指向性的指导!
祝所有科研工作者都能够在自己的领域上更上一层楼!!!