损失函数DIOU的计算方法

最新推荐文章于 2024-06-26 20:28:16 发布

原创

最新推荐文章于 2024-06-26 20:28:16 发布 · 987 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

本文介绍了DIOU，一种用于深度学习目标检测和语义分割的指标，特别强调了其在处理预测框与真实框相对位置时的优势。DIOU通过引入中心距离，解决了GIoU在特定情况下的局限，能快速收敛并优化预测框的位置。

什么是DIOU

DIOU的原理

结论

什么是DIOU

DIOU是Distance Intersection over Union的缩写，它是一种衡量预测框与真实框重叠程度的指标，常用于深度学习领域的目标检测或语义分割任务中。

DIOU的原理

对于GIoU，当预测框在真实框内部且预测框面积相等时，GIoU无法区分预测框和真实框的相对位置关系

对此DIoU引入中心距离，具体定义如下：

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

AI_dataloads

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

YOLOv11改进 | 损失函数改进篇 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数

Snu77的博客

11-04

4714

这篇文章介绍了YOLOv11的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv11在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。

【YOLOv8改进[损失函数]】使用MPDIou回归损失函数助力YOLOv8更优秀

静谧、淡雅

05-30

954

使用MPDIou回归损失函数助力YOLOv8更优秀，改进损失函数。

参与评论您还未登录，请先登录后发表或查看评论

IoU、GIoU、DIoU、CIoU计算方法

Ray_awakepure的博客

11-28

5146

IoU IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。可以说它可以反映预测检测框与真实检测框的检测效果。还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant），在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性) IoU的一种实现

IoU、GIoU、DIoU、CIoU损失函数

007的博客

03-02

429

https://www.cnblogs.com/wujianming-110117/p/13019343.html

【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）

Vlone_pp的博客

04-30

1369

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。

DIOU

Major_S的博客

03-10

1453

DIOUDIOUDIOU

目标检测损失函数（二）DIOU、CIOU、ALPHA IOU

wuhao1205的博客

05-10

5744

在前文中讨论了IOU与GIOU。 http://t.csdn.cn/sqcPdhttp://t.csdn.cn/sqcPd

yolov8改进损失函数DIOU

最新发布

02-15

此代码片段展示了如何扩展原始的 IoU 计算方法来支持 DIoU 损失计算。当参数 `DIOU=True` 时，除了常规交并比外还会考虑两个边界框中心之间的相对位置关系，从而形成更加鲁棒的目标检测性能评估指标[^3]。

目标检测--边框回归损失函数(IoU, GIoU, DIoU, CIoU)原理详解及代码实现

Gthan

07-12

5175

对目标检测边框回归的IoU, GIoU, DIoU, CIoU损失函数进行原理详解及代码实现

目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss

JulyLi2019的博客

12-04

4346

之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。

目标检测中的回归损失函数系列四：DIoU Loss / CIoU Loss

梦坠凡尘

05-12

1万+

论文：https://arxiv.org/pdf/1911.08287.pdf YOLOv-DIoU开源代码：https://github.com/Zzh-tju/DIoU-darknet

各种 IoU 损失变体-GIoU、DIoU、CIoU、EIoU、α-IoU、SIoU、MPDIoU、Inner/Shape/Focaler-IoU...

画心

10-24

5130

IoU损失及其各种变体已经在密集预测任务中展现出了优异的效果。这里做一个简单的罗列与梳理。

【目标检测算法】IOU、GIOU、DIOU、CIOU

weixin_44001371的博客

12-07

1651

IOU --> GIOU --> DIOU -->CIOU损失函数，每一种损失函数都较上一种损失函数有所提升。下面来具体介绍这几种损失函数。CIOU的对比重叠面积、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解决边界框不相交时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。

目标检测算法常用Loss——DIoU GIoU CIoU

AI_eNyu的博客

05-07

3133

目标检测算法常用Loss 文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充 1. 差值平方损失在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。 2. IoU Loss 如下图三种不同的情况，明显第三个预测框与

IoU、GIoU、DIoU、CIoU损失函数的那点事儿

zandaoguang的博客

05-31

6053

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...

目标检测---IOU计算详细解读(IoU、GIoU、DIoU、CIoU、EIOU、Focal-EIOU、SIOU、WIOU)

热门推荐

慕溪同学的博客

03-17

3万+

常见的一些边界框回归IOU损失函数原理与代码实现。

IoU、GIoU、DIoU、CIoU详解及python代码实现

m0_53114462的博客

05-30

3938

一、IoU、GIoU、DIoU、CIoU详解：（1）IoU IoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示：由图可知IoU的值域为[0, 1]。 IoU的优点： 1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。 2、 IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。 IoU的缺点： 1、当预测框和真实框不相交时，IoU(A,B)=0时

目标检测算法之损失函数（IOU、GIOU、DIOU、CIOU、EIOU）

weixin_52862386的博客

06-26

2313

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。

目标检测回归损失函数——IOU、GIOU、DIOU、CIOU

爱做菜的炼丹师

12-25

4622

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:...