摘要
边框回归是目标检测的关键步骤。在现有的方法中,虽然在边框回归中广泛采用了n范数损失,但并不是针对评价指标IoU进行定制的。近年来,人们提出了IoU损失和G-IoU损失两种可以有利于提升IoU指标的方法,但仍存在收敛速度慢、回归不准确等问题。在这篇论文中,通过合并预测框和目标框之间的归一化距离,我们提出了一种Distance -IoU损失,它在训练过程中比IoU和GIoU损失收敛得更快。此外,本文还总结了边界框回归中的三个几何因素:重叠面积,中心点距离和长宽比。在此基础上,提出了一个Complete IoU (CIoU)损失,从而可以更快的收敛并得到更好的性能。通过将DIoU和CIoU损失合并到最先进的目标检测算法中,例如YOLO v3、SSD和Faster RCNN,我们在IoU度量和GIoU度量方面都取得了显著的性能改善。另外,DIoU可以很容易的被引入到非最大抑制(non-maximum suppression, NMS)中作为判据,进一步促进了性能的提升。
创新点:
1. A Distance-IoU loss, i.e., DIoU loss, is proposed for bounding box regre