Bounding Box Regression with Uncertainty for Accurate Object Detection 论文

最新推荐文章于 2025-01-21 14:53:24 发布
最新推荐文章于 2025-01-21 14:53:24 发布
阅读量249 收藏 1
点赞数
分类专栏： 论文 文章标签： 人工智能 目标检测
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/m0_63664949/article/details/124444421
版权

这篇论文发表在2019CVPR上，旨在解决人工标注有遮挡，不明确信息（如上图所示）带来的目标检测算法性能降低的问题。

论文的主要新颖点：

1.使用KL散度替换smooth L1 loss

2.对soft-NMS的后续处理中采用var voting 的方式，来预测候选框的位置      

为什么这样做，论文中指出使用KL散度

(1)可以成功地捕获数据集中的歧义。包围盒回归器在包围盒不明确时损失较小。

(2)学习的方差在后处理过程中是有用的。我们提出了VAR投票，在NMS过程中，使用邻居的位置加权预测的方差来投票候选盒的位置。

(3)学习的概率分布是可解释的。由于它反映了边界框预测的不确定性水平，因此它可能对自动驾驶汽车和机器人等下游应用程序有所帮助

在KL损失的情况下，模型可以在训练过程中自适应地调整每个对象边界的方差，从而帮助学习更多的区分性特征。

网络预测的概率分布服从高斯分布P_{\theta }(x)=1/\sqrt{2\pi \sigma ^{2}}e^{-(x-x_{e})^{2}/2\sigma ^{2}},其中x是真实边界框的位置，

最低0.47元/天 解锁文章
目标检测中的Bounding Box Regression Loss
mingo_敏
05-10 4555
Bounding Box Regression Loss PyTorch: https://github.com/shanglianlm0525/CvPytorch 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演变过程 Smooth L1 Loss 优点： 缺点： Focal Loss 优点： 缺点： Io
CVPR2019《Bounding Box Regression with Uncertainty for Accurate Object Detection》论文阅读
I good vegetable a!
09-10 595
论文原文 https://arxiv.org/abs/1809.08545 论文题目的翻译 精确目标检测的不确定边界框回归 摘要 大规模的目标检测数据集(例如MS-COCO)在进行Ground Truth框标注时仍然存在歧义。这篇论文提出了新的边界框回归损失针对目标框的移动以及位置方差进行学习，这种方法在几乎不增加计算量的基础上提高不同结构定位的准确性。另一个关键点事，由于学习了bounding ...
论文笔记：Bounding Box Regression with Uncertainty for Accurate Object Detection
水不在深有江的博客
05-30 1754
motivation 在数据集方面： 目标检测中，会出现bounding box表示模糊的情况。比如标注不准确(a,c)，遮挡(b)，边界不清或无法给出确切边界(d)： 在损失在设计方面： 作者指出，boundingbox 回归损失设计(如smooth L1 loss等)中，并没有对这种情况进行处理。同时，会认为分类置信度高的框更加精准，因此会出现下图高分反而不准的情况： (这一点问题和IOU...
Bounding Box Regression with Uncertainty for Accurate Object Detection
肥羊汤
04-04 3381
精确物体检测的不确定边界框回归——KL损失（解读）(源论文) 损失模型 KL损失的网络架构用于评估本地化信心。与两级检测网络的标准Fast R-CNN头不同，我们的网络计算标准偏差和边界框位置，这在我们的回归损失kl损失中被考虑到。 模型个人理解： 模型的三个分支，分别是： Class：是图像的类别 Box：是预测的框 Box std：是预测框的四个坐标（左上角和右下角两个点的四...
【目标检测】|Bounding Box Regression with Uncertainty for Accurate Object Detection
qq_35608277的博客
06-14 564
CVPR 2019 检测框不确定性 github：https://github.com/yihui-he/KL-Loss 论文原址：https://arxiv.org/pdf/1809.08545.pdfBounding Box Regression with Uncertainty for Accurate Object Detection zhangxiangyu1.gt框本身有歧义，存在模糊性。作者列举了三种情况：比如边界标注不准确(a,c)，遮挡(b)，边界不清或无法给出确切边界(d) 2.类别分数
论文翻译 | Bounding Box Regression with Uncertainty for Accurate Object Detection | FACE++ 2019
weixin_42662134的博客
04-02 3995
Bounding Box Regression with Uncertainty for Accurate Object Detectiom, 对精准目标检测的含不确定性的边界框回归写在前面摘要引言相关文献双阶段检测器目标检测损失非极大值抑制边界框精调（_Bounding Box Refinement_）方法边界框参数化使用KL Loss进行边界框回归方差投票实验消融研究KL Losssoft-N...
目标检测Bounding_Box_Regression_With_Uncertainty_for_Accurate_Object_Detection
年轻即出发，
10-26 2027
论文：Bounding_Box_Regression_With_Uncertainty_for_Accurate_Object_Detection Github：https://github.com/yihui-he/KL-Loss CVPR 2019 CMU&&face ++ 论文提出了一种回归边框的不确定性的方法，来实现对于边框的后续矫正。主要包括 ...
softer-nms论文学习详解(Bounding Box Regression with Uncertainty for Accurate Object Detection)
qq_35153620的博客
06-17 2054
《Bounding Box Regression with Uncertainty for Accurate Object Detection》 论文地址： https://arxiv.org/pdf/1809.08545.pdf 论文是face++和卡耐基梅隆大学提出的，用于解决边界框回归不确定不精准的问题。提出了俩个联合使用的方法，其一是提出用KL Loss，第二点是提出var voti...
KL loss：Bounding Box Regression with Uncertainty for Accurate Object Detection解读
Sesen的木屋
09-05 4018
Bounding Box Regression with Uncertainty for Accurate Object Detection (CVPR2019, 旷视) 该论文是旷视2019年提出的，主要是使目标边框更加清晰，提升定位精度，提出了一种新的边界框回归损失，同时完成边界框变换和定位差异。在目标检测数据集中，ground-truth边界框在一些情况下存在固有的不确定性。 如下图所示...
【目标检测】21、KL-Loss：Bounding Box Regression with Uncertainty for Accurate Object Detection
呆呆的猫的博客
07-26 1155
大型目标检测数据集（如 COCO）的标注框都是比较清晰准确的，但也会存在一些模棱两可的情况，加大标注的难度。 如图 1a 和 1c 所示，当目标被部分遮挡且边界很不清晰的时候，标注框就很难判定。.........
Bounding-box_regression详解
08-18
bounding box regression
Faster RCNN原理介绍+bounding box 回归原理介绍
05-08
经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦！
softer nms论文阅读Bounding Box Regression with Uncertainty for Accurate Object Detection
shuijinghua的博客
09-17 1036
论文地址:https://arxiv.org/pdf/1809.08545.pdf 代码地址:https://github.com/yihui-he/KL-Loss https://github.com/yihui-he/softer-NMS 作者Yihui He (何宜晖)的git主页 http://yihui-he.github.io/ 参考: https://www.cnblog...
论文阅读：Bounding Box Regression with Uncertainty for Accurate Object Detection
yasugongyou1989的博客
06-25 2813
论文地址：https://arxiv.org/abs/1809.08545 代码地址：https://github.com/yihui-he/KL-Loss 单位：旷视研究院 1.背景 在目标检测数据集中存在标注边界模糊的现象，如下图中，ac标注不准确；b物体被遮挡；d本身物体的边界存在歧义。所以本文针对这个问题提出一种KL loss来学习边界框变换和定位方差。结论：该方法在不增加计算量的情况下既...
《Bounding Box Regression with Uncertainty for Accurate Object Detection》论文笔记
m_buddy的博客
09-16 435
代码地址：KL-Loss 1. 概述 导读：这篇文章对于数据集中标注不明确的标注框给检测带来的影响做了研究，其中原有的检测框的回归函数Smooth L1函数并不能很好反应不明确检测框带来的影响，对此文章提出了一个新的检测框损失函数——KL-Loss，它同时学习检测框的变换与定位的方差（localization variance，定位的不确定性），这样的改进可以扩展到多种不同结构的检测网络，扩展之...
论文阅读笔记四十八：Bounding Box Regression with Uncertainty for Accurate Object Detection(CVPR2019)...
weixin_33895016的博客
04-17 347
论文原址：https://arxiv.org/pdf/1809.08545.pdf github：https://github.com/yihui-he/KL-Loss 摘要 大规模的目标检测数据集在进行ground truth 框标记时仍存在这歧义，本文提出新的边界框的回归损失针对边界框的移动及位置方差进行学习，此方法在不增加计算量的基础上提高不同结构定位的准确性。...
论文Bounding Box Regression with Uncertainty for Accurate Object Detection详解
最新发布
Keep_Trying_Go的博客
01-21 567
在本文中，提出了一种新的边界框回归损失，用于同时学习边界框变换和定位方差。损失显著提高了各种架构的定位精度，几乎没有额外的计算开销。学习到的定位方差使非极大值抑制（）力求尽可能清晰地定义真实的边界框。然而在标注边界框时仍然会产生模糊性。大规模目标检测数据集（例如 MS-COCO。）过程中合并相邻的边界框，进一步提升了定位性能。，显著超过了之前的最先进的边界框精炼方法。损失应用到坐标框回归中。
论文阅读：Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection
Kivee的博客
09-26 4698
Softer-NMS 文章   和之前同样出自Megvii的一篇论文IoU-Net一样，这篇论文的出发点也是，two-stage detector进行NMS时用到的score仅仅是classification score，不能反映bounding box的定位精准度，因此引入了一个反映其定位精准度的因变量。本文的这个因变量就是bounding box的4个坐标的方差。 可以看到，除了预测box的...
focal and efficient iou loss for accurate bounding box regression
03-16
Focal和Efficient IOU Loss是用于精确边界框回归的损失函数。Focal IOU Loss是一种改进的交叉熵损失函数，它可以有效地处理类别不平衡问题。而Efficient IOU Loss则是一种基于交并比的损失函数，它可以更准确地衡量预测框与真实框之间的重叠程度。这两种损失函数的结合可以提高边界框回归的精度和效率。
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