Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

最新推荐文章于 2023-09-11 16:10:58 发布
最新推荐文章于 2023-09-11 16:10:58 发布
阅读量646 收藏 1
点赞数
分类专栏： 总结 文章标签： yolo loss
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/xujiao1179/article/details/103483094
版权
本文提出Distance-IoU损失（DIoU loss），相较于IoU和GIoU损失，它在训练中更快收敛。通过结合重叠面积、中心点距离和长宽比，进一步提出Complete IoU损失（CIoU loss），以实现更快的收敛和更好的检测性能。DIoU损失也可用于非极大抑制（NMS），增强冗余框抑制能力。这些方法已成功应用于YOLO v3、SSD和Faster R-CNN等先进检测算法，显著提高了性能。
摘要由CSDN通过智能技术生成

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

最低0.47元/天 解锁文章
jiao_xd17
关注
专栏目录
【论文阅读】Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
qq_38333323的博客
11-22 4592
主要内容 文章提出两个Loss ：Distance-IoU(DIoU) Loss和Complete IoU(CIoU) Loss用于目标检测的Bbox回归，并与IoU Loss和GIoU Loss做了对比，比这两个收敛得更快、更准。此外，DIoU很容易用在NMS中。 Loss 先简单回顾一下IoU Loss和GIoU Loss，再说明文章提出的DIoU Loss和CIoU Loss IoU 先说说...
【DIoU】《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》
bryant_meng
02-24 2212
AAAI-2020 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method4.1 Analysis to IoU and GIoU Losses4.2 The Proposed Method5 Experiments5.1 Datasets5.2 YOLO v3 on PASCAL VOC5.3 SSD on PASCAL VOC5.4 Faster R-CNN on MS COCO5.5 Di.
Distance-IoU Loss_ Faster and Better Learning for Bounding Box Regression
qq_41327720的博客
03-28 416
对IoU，GIoU，DIoU和CIoU进行一个简要的梳理介绍
【目标检测】28、Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
呆呆的猫的博客
08-10 1119
虽然 GIoU 可以通过移除未相交的框来缓解提的消失的情况，但如图 1 所示，GIoU loss 首先会提升预测框的大小，使得其和 gt 框有相交，然后公式 3 就能够用来最小化相交面积。所以 GIoU loss 会产生一些不准确的检测。作者为了更加全面的分析距离、尺度、纵横比在 bbox 之间的关系，选取了 7 种不同纵横比的 unit box（即面积为 1），纵横比分别为（1:4, 1:3, 1:2, 1:1, 2:1, 3:1, 4:1），这 7 个 box 的中心点都在（10,10）。.......
距离IoU损失：包围盒回归更快更好的学习(Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression)
TJMtaotao的博客，高校计算机教师
11-28 6478
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression Zhaohui Zheng1, Ping Wang1, Wei Liu2, Jinze Li3, Rongguang Y e1, Dongwei Ren*2 1School of Mathematics, Tianjin University, Ch...
matlab计算目标面积代码-DIoU:距离-IoU损失：更快更好地了解边界框回归（AAAI2020）
05-22
[Distance-IoU损失：更快更好的边界框回归学习] [] [] @Inproceedings{zheng2020distance, author = {Zhaohui Zheng, Ping Wang, Wei Liu, Jinze Li, Rongguang Ye, Dongwei Ren}, title = {Distance-IoU Loss: ...
matlab人头检测的代码-DIoU-SSD-pytorch:SSD的距离-IoU损耗
05-24
{Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression}, booktitle = {The AAAI Conference on Artificial Intelligence (AAAI)}, year = {2020}, } 损失 可以使用config/config.py文件中的...
【目标检测】AAAI20 - 提升边界框回归《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》
要相信光
03-02 5223
AAAI2020，DIoU, CIoU, GIoU, IoU 提升目标检测性能必备 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression阅读笔记
风行
12-29 808
（一）Title 前言： （二）Summary 背景概述 目标检测中的bounding box回归任务往往采取的方式借助损失去回归bounding boxes的参数(位置/长/宽),但是它并不适用于评估度量(Intersection over Union,IoU)。 同时作者指出当前研究者提出的IoU度量(IoU Loss 以及 Generalized IoU Loss)上存在的一些问题： 收敛慢slow convergence 回归不准确，inaccurate regression 主要内容 作者在
《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》DIOU论文
qq_38109282的博客
07-02 731
前言 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》发表于2020年AAAI，来自天津大学和中国人名公安大学 资源 论文下载：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文题目及作者 介绍 第一行为GIOU loss，第二行是DIOU loss。 绿边框表示Ground Truth，黑边框表示An
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记
Tianchao龙虾
05-19 425
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记 论文链接： https://arxiv.org/abs/1911.08287 一、 Problem Statement Bounding Box的回归分支在目标检测中很重要。目前，lnl_nln​-norm loss 对获得最优的IoU metric不是很合适，IoU Loss 只有在bounding boxes 有重叠的时候起作用，而且不会提供任何移
目标检测算法之AAAI 2020 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》已开源
I good vegetable a!
12-16 1609
前言 前面介绍了CVPR 2019的GIoU Loss，推文地址如下：点这里，同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。 背景 我们先来回归一下IoU Loss和GIoU Loss。IoU Loss可以表示为：LIoU=1−∣B⋂Bgt∣∣B⋃Bgt∣L_{IoU}=...
《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》论文笔记
m_buddy的博客
01-19 1906
代码地址：DIoU 1. 概述 导读：这篇文章主要的贡献在边界框损失函数的优化上面，传统上使用LnL_nLn​范数的损失，如smooth-L1或是其对应的改进balanced-L1，但是这些损失函数并不直接与检测框的质量相关。将检测框的质量作为回归的度量就引入IoU损失函数，为了弥补IoU损失函数在不相交的时候不可导的问题引入GIoU，但是GIoU也是存在收敛速度慢且回归不准确（GIoU在两个框...
Distance-IoU Loss
weixin_37958272的博客
08-07 827
Distance-IoU Loss 边界盒回归是物体检测的关键步骤。在现有的方法中，虽然广泛采用lnl_nln​-norm loss来进行边界盒回归。最近，有人提出了IoU损失和generalized IoU(GIoU)损失，以利于IoU度量，但仍存在收敛速度慢和回归不准确的问题。在本文中，我们通过加入预测框和目标框之间的归一化距离，提出了一种Distance-IoU（DIoU）损失，在训练中收敛速度比IoU和GIoU损失快得多。此外，本文还总结了边界框回归中的三个几何因素，即重叠面积、中心点距离和长宽比，
DIoU、CIoU、GIoU、IoU再理解结合代码
TJMtaotao的博客，高校计算机教师
11-29 9290
https://raw.githubusercontent.com/2017TJM/DIoU-SSD-pytorch/master/utils/box/box_utils.py DIoU def bbox_overlaps_diou(bboxes1, bboxes2): rows = bboxes1.shape[0] #第一个框的个数 cols = bboxes2.s...
2020来了，冲鸭
fff2zrx的博客
02-06 516
2020的开端让大家都措手不及，我也是 round1 在我姐家过了小年，回信阳的时候实在是没有车了，买到的加班车3256，无座。然后段子里的事情发生在我身上了：上厕所的时候我的手机从兜里掉出来，横着掉进厕所里。是的，那种加班车是老式火车，厕所坑很大，估计我的手机直接下去躺在轨道上了。（在信阳买了手机，补卡后发现它果然静静地躺在芜湖的铁轨上） 铁轨上静躺的荣耀20 round2 才回信阳的...
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 7657
目标检测常用边界框IOU对比
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 3982
siou loss: more powerful learning for bounding box regression
最新发布
09-17
Siou Loss是一种用于边界框回归的损失函数，它比传统的平方损失函数更强大。 边界框回归是目标检测任务中的重要组成部分，它的目标是预测图像中物体的位置和大小。传统的平方损失函数在边界框回归中常被使用，但它...
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