[CVPR2019]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

最新推荐文章于 2021-07-22 15:10:47 发布
最新推荐文章于 2021-07-22 15:10:47 发布
阅读量2.4k 收藏 1
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： GIoU Loss YOLOv3 FasterRCNN MaskRCNN
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.youkuaiyun.com/hw5226349/article/details/88062894
本文深入解析了GIoU（Generalized Intersection over Union）作为目标检测中BBox回归的Loss函数原理。通过对比IoU，介绍了GIoU如何通过引入额外的区域概念，更准确地衡量预测框与真实框之间的差距，从而提升模型的回归性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • IoU和GIoU作为Loss的具体公式
    GIoU很容易理解，就多了一个两个BBox所占最大面积A1，与并集的区别在于多算了不属于BBox的一部分面积A2，就用A2除以A1，得到一个比例P1，paper中的意思是这个比例代表预测BBox与真实BBox的回归效果，效果也好比值越低，最后用传统的IoU减去P1得到GIoU。
    IoU和GIoU作为Loss
IOU（Intersection over Union）发展综述
浩瀚之水的专栏
05-10 317
IOU的演进史是目标检测领域追求更高精度、更强鲁棒性的缩影。从几何约束到概率建模，从静态计算到动态适应，其发展始终围绕“如何更全面地描述目标匹配”这一核心问题展开。未来，随着多模态学习、自适应优化等技术的融合，IOU衍生方法将继续推动检测模型在复杂场景中的性能边界。
CVPR2019-目标检测分割技术进展
跟随技术的脚步-linolzhang的专栏
05-11 3225
CVPR 2019 没有出现像Faster RCNN，YOLO这种开创性的工作，基于现有方案和框架的改进为主，技术进步着实有些缓慢，或许也代表方案逐步趋于成熟。 本文重点介绍如下几个改进方法：GA-RPN GIOU FSAF Mask Score RCNN 1. GA-RPN GA-RPN由港中文、商汤和亚马逊联合提出，COCO Challeng...
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression阅读笔记
风行
12-29 460
（一）Title 前言:杠杆 （二）Summary （三）Research Object （四）Problem Statement （五）Method （六）Experiments （七）Conclusion （八）Notes
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
肥羊汤
04-02 791
广义相交：边界框回归损失度量（解读）（原论文） IoU不能作为损失函数的原因: IoU在边界框与坐标轴对齐的情况下，可以用作回归损失。但是存在一种情况，当预测框与真实框不重叠的情况下，用IoU作为损失函数是不可行的。因为IoU是预测框A与真实框B的交并比，即IoU=|A∩B| / |A∪B|，如果预测框与真实框不重叠，那么A∩B=0，则IoU=0。此时继续进行迭代，剃度为0，不能优化参数，该损...
【目标检测】27、GIoU：Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression
呆呆的猫的博客
06-05 3594
文章目录摘要引言 摘要 Intersection over Union（IoU）是目标检测领域应用最多的度量方式。 优化b-box的参数的回归过程所使用的损失函数和最大化度量值之间存在一定的鸿沟 二维轴心对齐的b-box情况，IoU可以直接作为回归损失 但是，IoU无法优化不重叠的b-box情况 本文通过引入一个更一般化的度量方式来作为新的loss和新的度量 本文通过将提出的 generalize........................
论文学习笔记：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regressi
Diana_Z的博客
06-28 915
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 作者：Hamid Rezatofighi, Nathan Tsoi, JunYoung Gwak, Amir Sadeghian, Ian Reid, Silvio Savarese 论文链接：https://arxiv.org...
【GIoU】《Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression》
bryant_meng
07-22 582
CVPR-2019 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets6 Conclusion（own） / Future work 1 Background and Motivation 现有的 SOTA 目标检测模型，do not operate in real time and require large number of GPUs.
CVPR2019:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
qq_40962619的博客
03-24 751
摘要 Intersection over Union (IoU) is the most popular evaluation metric used in the object detection benchmarks. However, there is a gap between optimizing the commonly used distance losses for regress...
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
CVPR2019 | 目标检测新文：Generalized Intersection over Union
极市平台的技术博客
03-01 7989
链接 | https://mp.weixin.qq.com/s/6QsyYtEVjavoLfU_lQF1pw 作者 | ywsun 原文| https://zhuanlan.zhihu.com/p/57863810 如有兴趣可以**点击加入极市CV专业微信群**，获取更多高质量干货 论文链接 https://arxiv.org/abs/1902.00963 1.Motivation 包围框回...
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 论文
c_watermelon_y的博客
03-15 413
作者：Hamid Rezatofighi Nathan Tsoi JunYoung Gwak Amir Sadeghian Ian Reid Silvio Savarese 单位：Computer Science Department, Stanford University, United States School of Computer Science, T...
目标检测系列：论文阅读——Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
lynlindasy的博客
05-07 818
这也是2019CVPR的一篇论文，斯坦福大学的，针对IoU进行了改善，提出generalized IoU(GIoU)。 IoU是目标检测等任务中必不可少的一部分，通过计算预测box和标签box之间的IoU对目标进行分类，并且通过IoU阈值进行筛选后边框回归，以修正目标位置和形状。泛化一点，IoU可以衡量任意两个区域的形状相似度，对于区域A和B，。 有公式可知，对于任何具体情况，IoU都和区域的...
读书笔记：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
versionwen的博客
10-24 247
摘要 在目标识别过程中，IOU是最流行的一个评价基准，在进行边框优化的过程中，IOU一般是取最大值，对一个标准进行优化的目标函数是其标准本身，在2D回归的过程中，IOU展示了他直接能作为一个损失函数，然而，IOU展现了他的缺点，在没有重叠的边框的时候不好使用，在这篇论文中指出了IOU的缺点，通过介绍一个通用的版本作为一个新的损失函数和新的度量方式，通过使用GIOU，在Pascal VOC及MS ...
《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》GIOU
qq_38109282的博客
07-01 271
前言 《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》发表于2019年CVPR，来自斯坦福 资源 论文下载： Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression Generalized Intersection over Union: A Metric and A Lo
March 11- Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
weixin_39434589的博客
03-11 483
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression https://mp.weixin.qq.com/s/kJfitOheQB6VchZ_96f-nQ 看了这篇微信文章开始看了下论文的全文，对于损失函数的提出，比较有建设性意见，是出彩的地方。 论文原文下载 1. Introd...
GIOU:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
surprising
09-30 329
废话不多说，先看motivation： There is a gap between optimizing the commonly used distance losses and maximizing this metric value. The optimal objective for a metric is the metric itself. so in the ca...
论文：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 阅读笔记
Stay hungry, Stay foolish
06-21 282
一、论文 (19)Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression https://arxiv.org/abs/1902.09630 code:https://giou.stanford.edu 二、论文笔记 1、背景 （1）、深度神经网络的优化，目前主要集中在网络结...
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
最新发布
01-28
CVPR 2019中发表了一篇题为“迁移学习:无监督领域自适应的对比适应网络（Contrastive Adaptation Network for Unsupervised Domain Adaptation）”的论文。这篇论文主要介绍了一种用于无监督领域自适应的对比适应网络。 迁移学习是指将从一个源领域学到的知识应用到一个目标领域的任务中。在无监督领域自适应中，源领域和目标领域的标签信息是不可用的，因此算法需要通过从源领域到目标领域的无监督样本对齐来实现知识迁移。 该论文提出的对比适应网络（Contrastive Adaptation Network，CAN）的目标是通过优化源领域上的特征表示，使其能够适应目标领域的特征分布。CAN的关键思想是通过对比损失来对源领域和目标领域的特征进行匹配。 具体地说，CAN首先通过一个共享的特征提取器来提取源领域和目标领域的特征表示。然后，通过对比损失函数来测量源领域和目标领域的特征之间的差异。对比损失函数的目标是使源领域和目标领域的特征在特定的度量空间中更加接近。最后，CAN通过最小化对比损失来优化特征提取器，以使源领域的特征能够适应目标领域。 该论文还对CAN进行了实验验证。实验结果表明，与其他无监督领域自适应方法相比，CAN在多个图像分类任务上取得了更好的性能，证明了其有效性和优越性。 综上所述，这篇CVPR 2019论文介绍了一种用于无监督领域自适应的对比适应网络，通过对源领域和目标领域的特征进行对比学习，使得源领域的特征能够适应目标领域。该方法在实验中展现了较好的性能，有望在无监督领域自适应任务中发挥重要作用。
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