PIoU Loss：倾斜目标检测专用损失函数，公开超难倾斜目标数据集Retail50K | ECCV 2020 Spotlight

论文提出从IoU指标延伸来的PIoU损失函数，能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果，对anchor-based方法和anchor-free方法均适用。另外论文提供了Retail50K数据集，能够很好地用于评估倾斜目标检测算法的性能
 
来源：晓飞的算法工程笔记 公众号

论文: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

• 论文地址：https://arxiv.org/abs/2007.09584
• 论文代码：https://github.com/clobotics/piou

Introduction

---

  当前的目标检测方法由于BB(bounding boxes)的特性，对倾斜和密集物体的检测存在一定的局限性。为了解决这个问题，研究者扩展出了带旋转参数的OBB(oriented bounding boxes)，即从BB($c_x,c_y,w,h$)扩展为OBB($c_x,c_y,w,h,\theta$)，其中$\theta$旋转角度，这样OBB就能更紧凑地包围目标，可以更好地检测旋转和密集的物体。

  目前的OBB-based方法大多数在anchor-based架构上采用距离损失来优化上述的5个参数，并且在航空图片的目标检测上已经有一些应用。但其检测性能在更复杂的场景中依然存在局限性，主要原因在于距离损失更多地是优化旋转角度误差，而不是优化全局IoU，特别是对长条形物体很不敏感。如图a所示，两个IoU相差很大的情景下，距离损失的结果却是一样的。

  为了解决这个问题，论文提出PIoU(Pixels-IOU)损失来同时提高旋转角度和IoU的准确率。如图b所示，PIoU损失能直接反映物体间的IoU，但由于OBB间的相交区域可能是多边形，OBB的IoU比BB的IoU要难算得多，所以PIoU损失以逐像素判断的方式进行IoU计算并且是连续可微的。另外论文还提供了包含高长宽比倾斜目标的检测数据集Retail50K，方便OBB-based检测算法的研究。
  论文的贡献如下：

• 提出新的损失函数PIoU损失，能够提升倾斜目标的检测效果。
• 提供新的数据集Retail50K，可以更好的进行OBB-based算法的评估。
• 通过实验证明PIoU损失的有效性，能够运用于anchor-based和anchor-free方法。

Pixels-IoU (PIoU) Loss

---

  对于OBB $b$($c_x,c_{}$