目标检测中的BBox 回归损失函数-L2，smooth L1，IoU，GIoU，DIoU，CIoU，Focal-EIoU，Alpha-IoU，SIoU

原创 已于 2022-07-18 06:04:17 修改 · 2.8k 阅读 · 17 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #回归 #计算机视觉

于 2022-07-04 17:21:50 首次发布
本文总结了目标检测中位置回归的任务及各类损失函数的发展历程，包括从经典的L1、L2损失到IoUloss及其改进版GIoU、DIoU、CIoU等，详细解释了每种损失函数的特点与不足。

目标检测的两个任务，分类和位置回归，本帖将经典的位置回归损失函数总结如下，按发表时间顺序。

L1、L2、smooth L1 loss

提出smooth L1 loss的论文：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

L1最低点是不可导的，所以势必不会收敛到最低点，可能会在最优解附近震荡。而L2损失容易在离群点产生梯度爆炸的问题。smooth L1则集两者的优点于一身。
在这里插入图片描述

IoU loss

提出IoU loss的论文：在这里插入图片描述

不论是L2还是smooth L1 loss都没有考虑到四个点的关联性和尺度不变性，这个是比较致命的缺点，当两对预测框与GT框的IoU相同时，尺度更大那一对loss会更高，或者如下图，用左下角和右上角点计算损失，L2 loss相同，但IoU却不相同。
在这里插入图片描述
IoU损失有两种形式，后一种更为常用：
L I o U = − l n I o U L_{IoU} = -lnIoU LIoU​=−lnIoU

最低0.47元/天 解锁文章
芒果YOLOv7改进31：Loss篇：改进损失函数系列：SIoU等结合FocalLoss应用：组成Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU、DIoU改进点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-18 4946
YOLOv7代码实践｜Focal+IoU变种应用合集
改良YOLO系列：引入SIoU / EIoU / WIoU / Focal_xIoU学习策略
带你成为别人眼中的大佬！
05-29 1391
该算法首先对两个边界框之间的交集进行加权处理，以减轻小目标的影响，然后计算加权交集和加权并集之间的比率。与传统的IOU值不同，EIoU考虑了边界框的不对称性，以实现更好的检测效果。它将两个边界框之间的IOU值转化为一组加权的概率分布，以更好地捕捉较小目标的特征。为了解决这一问题，近年来发展了一种基于深度学习的目标检测算法，即YOLO（You Only Look Once），其设计简单、实时性好、准确率高，已经成为目前领域内最为流行的解决方案。特别是对于较小的目标，传统的检测方法通常会存在精度不足的问题。
BBox边界框损失函数演进
YMilton的专栏
09-02 2079
边界框损失计算的演进 边界框回归损失近些年的发展过程： 1. MSE Loss 2. IoU Loss 计算IoU交并比示意图如图，蓝色为真实目标框，橘红色为预测目标框。 IoU Loss存在的问题，存在检测框大小相同，重叠区域面积相等的情况(IoU相等)，无法区分不同相交情况。 3. GIoU Loss 为了改进IoU Loss存在的问题，提出了GIoU方法。GIoU Loss的计算公式 其中 表示真实框与预测框的最小闭包区域面积，即外接矩形面积。 ...
目标检测中的b-box回归损失函数(IOU，GIOU，DIOU，CIOU)
木盏
03-11 7612
目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1. 确定目标大概位置；2. 分类出目标类别；3. 回归出检测框的宽高； 这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。 1. IOU 全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好，作为调整模型的指导。 原文链接：[1608.01471] UnitBox: An Advance
目标检测中边框回归的直观理解 bbox regression
hugegrunt的博客
05-01 6715
一般的目标检测算法的目的是在原图上生成若干个边界矩形框，bounding box（bbox），要求是生成的bbox尽可能的不多不少刚好完整包裹住目标物体。我们可以用一些方法来生候选边框，并且将这些候选框进行分类检测，将除了背景以外的框保留作为我们的输出。这些不在本文的重点关注内容里。本文关注的是当筛选出含有目标物体的边框之后，边框位置的精修问题。 本文中对算法说明的顺序可能和其他文章不同，我希望从更加直观的角度去理解这个算法。本文的算法以RCNN实现的bbox回归为参考。...
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 6382
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析及Pytorch实现
q1552211的博客
05-05 4894
IOU Loss 算法作用：Iou的就是交并比，预测框和真实框相交区域面积和合并区域面积的比值，计算公式如下，Iou作为损失函数的时候只要将其对数值输出就好了。 def Iou_loss(preds, bbox, eps=1e-6, reduction='mean'): ''' preds:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] bbox:[[x1,y1,x2,y2], [x1,y1,x2,y2],,,] reduction:"mean"or"s
目标检测框回归损失函数-SmoothL1、Iou、Giou、Diou和Ciou
weixin_41803339的博客
05-27 4256
目录 1 引言 2检测框回归损失函数 2.1 SmoothL1 2.1.1 SmoothL1 Torch实现代码 2.1.2 SmoothL1的缺点 2.2 Iou 2.2.1 Iou Torch代码实现 2.2.2 Iou的缺点 2.3 Giou 2.3.1 Giou Torch实现代码 2.3.2 Giou 缺点 2.4 Diou和Ciou 2.4.1 Diou Torch实现代码 2....
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 5203
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——Faster R_CNN使用smooth L1作为bbox的回归损失函数原因
03-30 838
目标检测——Faster R_CNN使用smooth L1作为bbox的回归损失函数原因 前情提要—— 网上关于目标检测框架——fasterr_cnn有太多太好的博文，这是我在组会讲述fasterr_cnn这一框架时被人问到的一个点，当时没答上来，于是会下好...
Bounding_box_regression详细解析
03-27
Bounding_box_regression详细解析，非常实用，适用于初学者。
bbox reg（边框回归Bounding Box Regression）
weixin_43337647的博客
08-03 1731
bbox reg（边框回归Bounding Box Regression） ref https://blog.youkuaiyun.com/zijin0802034/article/details/77685438
[目标检测]-图解bbox_loss的发展-MSE -＞ IOU -＞ GIOU(cvpr2019) -＞DIOU/CIOU(aaai2020)
ai_faker的博客
11-09 3558
1.MSE方式 最早的bbox_loss采用的是MSE方法 LMSE=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2 \mathcal{L}_{\text {MSE}} = (x1-x2)^2 + (y1-y2)^2 + (w1-w2)^2 +(h1-h2)^2 LMSE​=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2 这种方式计算损失值是检测框的“代理属性”—— 距离，而忽略了检测框本身最显著的性质——IoU。 计算两者的重叠占比，才是我们更加想要去优化
目标检测中bbox回归中class-agnostic和class-specific的区别在哪？
mingo_敏
05-31 1071
目标检测中bbox回归中class-agnostic和class-specific的区别在哪？ class-specific 方式，很多地方也称作class-aware的检测，是早期Faster RCNN等众多算法采用的方式。它利用每一个RoI特征回归出所有类别的bbox坐标，最后根据classification 结果索引到对应类别的box输出。这种方式对于ms coco有80类前景的数据集来说，并不算效率高的做法。 class-agnostic 方式只回归2类bounding box，即前景和背景
目标检测：交并比计算和bbox回归操作
豆沙包子的博客
07-10 994
from __future__ import absolute_import from __future__ import division from __future__ import print_function import logging import numpy as np import paddle.fluid as fluid __all__ = ["bbox_overlaps", "box_to_delta"] logger = logging.getLogger(__name__.
bounding box回归的原理学习——yoloV1
热门推荐
brightming的专栏
09-23 1万+
参考： https://zhuanlan.zhihu.com/p/25236464 http://blog.youkuaiyun.com/williamyi96/article/details/77530948 http://blog.youkuaiyun.com/zijin0802034/article/details/77685438 https://leonardoaraujosantos.gitbooks.
bbox回归预测时所采用公式思路讨论（1）
赵明明的专栏
11-01 1994
在深度学习框架中，从faster rcnn开始，中间的预测模型，不如ssd,yolo,yolov2等，一直在用如下公式对bbox的位置进行回归， tx=(x-xa)/wa ty=(y-ya)/ha tw=log(w/wa) th=log(h/ha) 这里，其实很多人看到这里时，会有个疑问，为什么不用如下公式来做回归呢？ tx=x-xa ty=y-ya tw=w/wa th=h/h
基于九宫格与bbox逻辑回归的细粒度 高密度目标检测
南七小僧的学海无涯
10-30 778
      # -*- coding: utf-8 -*- """ Created on Fri Oct 19 21:13:41 2018 @author: Lenovo """ from keras.applications.vgg16 import VGG16 from keras.layers import Dense,Conv2D,MaxPooling2D,Average,...
r-cnn学习（五）：SmoothL1LossLayer论文与代码的结合理解
weixin_30456039的博客
12-06 298
A Loss Function for Learning Region Proposals 训练RPN时，只对两种anchor给予正标签：和gt_box有着最高的IoU && IoU超过0.7。如果对于 所有的gt_box，其IoU都小于0.3，则标记为负。损失函数定义如下： 其中i为一个mini-batch中某anchor的索引，pi表示其为目标的预测概率...
Wise-IoU相较于其他改进型IoU损失函数（如DIoU、GIoU）有哪些独特优势？
最新发布
06-21
Wise-IoU作为一种改进型IoU损失函数，在目标检测任务中展现了独特的性能优势。以下是其相较于DIoU、GIoU和CIoU等其他改进型IoU损失函数的特点与优势： #### 1. 动态非单调聚焦机制（FM） Wise-IoU引入了动态非单调...
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