目标检测损失函数（二）DIOU、CIOU、ALPHA IOU

最新推荐文章于 2024-06-26 20:28:16 发布
最新推荐文章于 2024-06-26 20:28:16 发布
阅读量5.4k 收藏 25
点赞数 4
文章标签： 目标检测 人工智能 计算机视觉
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/wuhao1205/article/details/124696914
版权
本文探讨了目标检测中的DIOU、CIOU和ALPHA IOU损失函数，这些函数旨在优化预测框与目标框的匹配，尤其是在考虑框的中心距离、长宽比和收敛速度方面。内容引用了B站UP主的图例和知乎的解释，阐述了这些损失函数如何改善目标检测的稳定性和准确性。
摘要由CSDN通过智能技术生成

个人学习记录，如有错误请指出，感谢大家的指导建议。

在前文中讨论了IOU与GIOU。

目标检测中的损失函数（一） IOU,GIOU_黑野桥的博客-CSDN博客

对比起前二者，DIOU,CIOU和ALPHA IOU相对较为复杂。本文的图例来自 B站UP主 自由时有船

常见面试问题4：损失函数DIOU、CIOU、阿尔法IOU_哔哩哔哩_bilibili

     

对比上面两幅图，在IOU和GIOU的背景下，如果两幅图的目标框和预测框的大小都是相同的，那么二者的计算结果也都是相同的。但无论从感官上还是实际效果来看，第二幅图的检测结果都更加稳定且准确。因此需要找到新的损失函数能够衡量这种情况。

DIOU

<
最低0.47元/天 解锁文章
黑野桥
关注
IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 6601
IoU、GIoU、DIoU、CIoU四种损失函数总结
DIou和CIoU
weixin_43489950的博客
05-01 777
https://zhuanlan.zhihu.com/p/104236411
目标检测算法之损失函数（IOU、GIOU、DIOU、CIOU、EIOU）
最新发布
weixin_52862386的博客
06-26 1013
CIOU是在DIOU的基础上考虑了长宽比，许多目标检测任务中，物体的长宽比相对比较固定，那么将它们考虑进损失函数中，理论上是有利于回归框收敛的。GIOU是IOU的改进方式，它在IOU的基础上，考虑了俩个框之间的位置关系，同时也解决了IOU为0时难以优化的问题。IOU是衡量俩个目标框之间重叠程度的一个指标，常用于目标检测中，用于评估预测框的准确率。IOU损失的缺点有俩个，第一个是不能描述俩个框之间的距离关系，只能描述重叠面积。对于没有交集的框，IoU 的值为 0，这会导致梯度为 0，难以优化。
IoU、GIoU、DIoU、CIoU损失函数
007的博客
03-02 326
https://www.cnblogs.com/wujianming-110117/p/13019343.html
【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 3729
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 -->
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 3万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
AIX JFS2的 CIO 与 DIO
南角影
08-14 1229
1，概述 2，为什么使用并发I/O 3，如何使用并发I/O 4，注意事项 1，概述 基于JFS文件系统，AIX提供了缓冲读写（cache I/O）和直接读写（direct I/O）两种文件操作方式。 从AIX 5.2 ML01开始，对JFS2（Enhanced Journal Filesystem）文件系统，系统提供并发的I/O读写方式（concurrent I/O），本文将介绍并发I
论文阅读-目标检测损失函数GIoU,DIoU,CIoU
qq_36868451的博客
12-23 7673
目标检测损失函数GIoU,DIoU,CIoU GIoU论文链接 DIoU和CIoU论文链接 1. GIoU 1.1. 问题提出 1.1.1. 范数损失的缺陷 在GIoU之前，主要是以IoU或者lnnorml_n normln​norm作为损失函数的，而这些损失函数实际上是不够精细的。也就是说，即使观感上的差距很大，损失的值也会相同。以giou论文里举出的(a)图为例： 此时以l2norml_2norml2​norm作为损失函数（也就是两对点之间的欧氏距离），为了简便起见，固定一个点不动（假设是左下角的点不
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结
生命在于折腾！
09-29 2889
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结 1. Smooth L1 Loss 这个是 Faster-RCNN 中的损失函数。具体可以参考深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解 中相应介绍。 Smooth L1 Loss 相比 L1 和 L2 的优势可以参考 损失函数：L1 loss, L2 loss, smooth L1 loss。总结其优势就是： smooth L1和L1-loss函数的区别在于，L1-loss在0点处导数不唯一，可
【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-06 1086
在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。
IoU系列（IoU, GIoU, DIoU, CIoU）
盼你开心
09-24 8388
IoU系列基础概念与优缺点分析
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 3891
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:...
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-30 929
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
ciou损失
ffllxx123的博客
07-27 702
vvbv
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
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！
IoU、GIoU、DIoU、CIoU损失函数的那点事儿
zandaoguang的博客
05-31 5375
公众号关注“视学算法”设为 “星标”，DLCV消息即可送达！来自 | 知乎作者 | Errorhttps://zhuanlan.zhihu.com/p/9479...
NeurIPS 2021 | 助力YOLOv5涨点！Alpha-IoU：IoU Loss大一统
阿木寺的博客
11-09 8062
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童Alpha-IoU:A Family of Power Intersection over Union ...
Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression （论文阅读笔记）
浅浅记录一下吧。
11-24 5714
摘要 Bounding box（bbox）回归是CV中的一项基本任务，最常用的损失函数是IOU Loss 和相关变体。文章将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，它具有一个幂次IoU项和一个附加的幂次正则项。这种新的损失系列为α-IoU Loss。 在多个目标检测基准和模型上的实验表明，α- iou损失 可以显著的超过现有的基于iou的损失; 通过调节α，使探测器更灵活地实现不同水平的bbox回归精度; 对小数据集和噪声的鲁棒性更强。 一、介绍 目标检测通常包含分类.
yolov7损失函数改进diou
07-28
Yolov7是一种目标检测算法，而DIoU（Distance-IoU）是一种损失函数改进方法。DIoU损失函数是通过引入距离信息来改进IoU（Intersection over Union）损失函数的，以更准确地衡量预测框与真实框之间的相似度。 传统的IoU损失函数只考虑了预测框和真实框的重叠部分，而忽略了它们之间的距离信息。DIoU损失函数考虑了两个方面的距离信息：中心点之间的距离和预测框与真实框之间的最小外接矩形的对角线长度。 DIoU损失函数的计算公式如下： DIoU Loss = IoU Loss - λ * DIoU 其中，IoU Loss是传统的IoU损失函数，DIoU是距离信息，λ是一个权重系数。通过在计算IoU损失时减去DIoU，可以补偿预测框与真实框之间的距离。 通过引入DIoU损失函数改进Yolov7模型的训练过程，可以提升目标检测的准确性和鲁棒性。
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