Distance-IoU Loss_ Faster and Better Learning for Bounding Box Regression

最新推荐文章于 2024-11-08 15:02:04 发布

原创

最新推荐文章于 2024-11-08 15:02:04 发布 · 557 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #神经网络 #深度学习

针对IoU损失函数在边界盒不重叠时无法提供有效梯度的问题，提出了GIoU损失函数。为进一步提高收敛速度及边界框回归准确性，又发展出了DIoU损失和CIoU损失函数，后者考虑了高宽比的一致性。

IoU loss和GIoU loss

IoU丢失只在边界盒有重叠时起作用，对于不重叠的情况不提供任何移动梯度。于是提出了GIoU。

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

名字不如叫摸鱼

关注关注

0
点赞
踩
0

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

【DIoU】《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》

bryant_meng

02-24

2495

AAAI-2020 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method4.1 Analysis to IoU and GIoU Losses4.2 The Proposed Method5 Experiments5.1 Datasets5.2 YOLO v3 on PASCAL VOC5.3 SSD on PASCAL VOC5.4 Faster R-CNN on MS COCO5.5 Di.

《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》DIOU论文

qq_38109282的博客

07-02

867

前言《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》发表于2020年AAAI，来自天津大学和中国人名公安大学资源论文下载：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文题目及作者介绍第一行为GIOU loss，第二行是DIOU loss。绿边框表示Ground Truth，黑边框表示An

参与评论您还未登录，请先登录后发表或查看评论

【目标检测】28、Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

呆呆的猫的博客

08-10

1393

虽然 GIoU 可以通过移除未相交的框来缓解提的消失的情况，但如图 1 所示，GIoU loss 首先会提升预测框的大小，使得其和 gt 框有相交，然后公式 3 就能够用来最小化相交面积。所以 GIoU loss 会产生一些不准确的检测。作者为了更加全面的分析距离、尺度、纵横比在 bbox 之间的关系，选取了 7 种不同纵横比的 unit box（即面积为 1），纵横比分别为（1:4, 1:3, 1:2, 1:1, 2:1, 3:1, 4:1），这 7 个 box 的中心点都在（10,10）。.......

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

xujiao1179的博客

12-10

727

摘要边框回归是目标检测的关键步骤。在现有的方法中，虽然在边框回归中广泛采用了n范数损失，但并不是针对评价指标IoU进行定制的。近年来，人们提出了IoU损失和G-IoU损失两种可以有利于提升IoU指标的方法，但仍存在收敛速度慢、回归不准确等问题。在这篇论文中，通过合并预测框和目标框之间的归一化距离，我们提出了一种Distance -IoU损失，它在训练过程中比IoU和GIoU损失收敛得更快。此外...

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression阅读笔记

风行

12-29

979

（一）Title 前言：（二）Summary 背景概述目标检测中的bounding box回归任务往往采取的方式借助损失去回归bounding boxes的参数(位置/长/宽),但是它并不适用于评估度量(Intersection over Union,IoU)。同时作者指出当前研究者提出的IoU度量(IoU Loss 以及 Generalized IoU Loss)上存在的一些问题：收敛慢slow convergence 回归不准确，inaccurate regression 主要内容作者在

【目标检测】AAAI20 - 提升边界框回归《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

要相信光

03-02

5482

AAAI2020，DIoU, CIoU, GIoU, IoU 提升目标检测性能必备《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

距离IoU损失：包围盒回归更快更好的学习(Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression)

TJMtaotao的博客，高校计算机教师

11-28

6894

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression Zhaohui Zheng1, Ping Wang1, Wei Liu2, Jinze Li3, Rongguang Y e1, Dongwei Ren*2 1School of Mathematics, Tianjin University, Ch...

《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》论文笔记

m_buddy的博客

01-19

2099

代码地址：DIoU 1. 概述导读：这篇文章主要的贡献在边界框损失函数的优化上面，传统上使用LnL_nLn范数的损失，如smooth-L1或是其对应的改进balanced-L1，但是这些损失函数并不直接与检测框的质量相关。将检测框的质量作为回归的度量就引入IoU损失函数，为了弥补IoU损失函数在不相交的时候不可导的问题引入GIoU，但是GIoU也是存在收敛速度慢且回归不准确（GIoU在两个框...

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记

Tianchao龙虾

05-19

534

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 论文笔记论文链接： https://arxiv.org/abs/1911.08287 一、 Problem Statement Bounding Box的回归分支在目标检测中很重要。目前，lnl_nln-norm loss 对获得最优的IoU metric不是很合适，IoU Loss 只有在bounding boxes 有重叠的时候起作用，而且不会提供任何移

目标检测算法之AAAI 2020 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》已开源

I good vegetable a!

12-16

1894

前言前面介绍了CVPR 2019的GIoU Loss，推文地址如下：点这里，同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。背景我们先来回归一下IoU Loss和GIoU Loss。IoU Loss可以表示为：LIoU=1−∣B⋂Bgt∣∣B⋃Bgt∣L_{IoU}=...

【论文阅读】Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

qq_38333323的博客

11-22

4833

主要内容文章提出两个Loss ：Distance-IoU(DIoU) Loss和Complete IoU(CIoU) Loss用于目标检测的Bbox回归，并与IoU Loss和GIoU Loss做了对比，比这两个收敛得更快、更准。此外，DIoU很容易用在NMS中。 Loss 先简单回顾一下IoU Loss和GIoU Loss，再说明文章提出的DIoU Loss和CIoU Loss IoU 先说说...

论文Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression详解（包含代码详解）

最新发布

Keep_Trying_Go的博客

11-08

1238

目标检测领域除了正确预测物体之外，其中对物体的正确定位也是非常重要的，在已经存在的目标检测方法中，对于坐标框的回归一般都是。损失收敛更快，并且本文还总结了影响坐标框回归的三个因素，①重叠面积②中心点距离③。的范围更大，但是在水平和垂直方向有更大的误差，主要原因在于。尽管当迭代的步数足够长并且设置适当的学习率时，仅仅当预测框和真实框之间有重叠的时候才生效，作为预测框和真实框之间距离的评估，相比于。（也就是两个框重叠的情况），这个时候的。之间距离，尺度和比率等相关性，选择。，就必然存在重叠，非重叠的情况；

Distance-IoU Loss

weixin_37958272的博客

08-07

935

Distance-IoU Loss 边界盒回归是物体检测的关键步骤。在现有的方法中，虽然广泛采用lnl_nln-norm loss来进行边界盒回归。最近，有人提出了IoU损失和generalized IoU(GIoU)损失，以利于IoU度量，但仍存在收敛速度慢和回归不准确的问题。在本文中，我们通过加入预测框和目标框之间的归一化距离，提出了一种Distance-IoU（DIoU）损失，在训练中收敛速度比IoU和GIoU损失快得多。此外，本文还总结了边界框回归中的三个几何因素，即重叠面积、中心点距离和长宽比，

yolov3损失函数_新算法 | 基于DIou改进的YOLOv3目标检测

weixin_39915078的博客

12-12

716

新框架作者定义了本文提出的基于DIoU、CIoU损失函数如下：其中表示预测框和间的惩罚项。Distance-IoU Loss论文提出了能减少两个box中心点间的距离的惩罚项，和分别表示和的中心点。是欧氏距离，是最小包围两个bbox的框的对角线长度,Loss完整公式定义如下：因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下...

DIoU YOLOv3 | AAAI 2020：更加稳定有效的目标框回归损失

yuanCruise

11-30

6371

DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。 https://arxiv.org/pdf/1911.08287.pdf https://github.com/Zzh-tju/DIoU-darknet 1：IoU & GIoU存在的问题分析论文作者...

DIoU、CIoU、GIoU、IoU再理解结合代码

TJMtaotao的博客，高校计算机教师

11-29

9510

https://raw.githubusercontent.com/2017TJM/DIoU-SSD-pytorch/master/utils/box/box_utils.py DIoU def bbox_overlaps_diou(bboxes1, bboxes2): rows = bboxes1.shape[0] #第一个框的个数 cols = bboxes2.s...

2020来了，冲鸭

fff2zrx的博客

02-06

645

2020的开端让大家都措手不及，我也是 round1 在我姐家过了小年，回信阳的时候实在是没有车了，买到的加班车3256，无座。然后段子里的事情发生在我身上了：上厕所的时候我的手机从兜里掉出来，横着掉进厕所里。是的，那种加班车是老式火车，厕所坑很大，估计我的手机直接下去躺在轨道上了。（在信阳买了手机，补卡后发现它果然静静地躺在芜湖的铁轨上）铁轨上静躺的荣耀20 round2 才回信阳的...

《GIoU: A Metric and A Loss for Bounding Box Regression》论文笔记

m_buddy的博客

04-27

913

1. 概述 1.1 背景 IoU通常作为检测性能的度量指标，其具有尺度不变性，但是最大化检测框的IoU与优化检测框的回归loss并不是对等的，比如在Faster RCNN中IoU用作proposal区域的选择度量，选择之后在通过全连接回归得到最后的检测结果，因而就造成了检测框边界回归与IoU的“不相关”。在2D的坐标环境情况下IoU在两个框相交情况下是可以用于计算损失并传递梯度的，因为梯度是0不...

YOLOV3模型优化系列（二）CIOU-Loss YOLOV3介绍

ltshan139的专栏

01-13

9066

前言 CIOU-loss yolo3是该论文《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》提出来的。该文章于2019年11月正式发表出来，文章题目是DIOU Loss，其实它提出了两个IOU Loss：DIOU和CIOU。下面就对该论文进行解读。四个IOU loss概念经典IOU lo...

IOU mapping

08-20

IOU mapping 是指通过计算目标检测中预测框和真实框之间的交并比(IOU)来对框进行映射或匹配的过程。引用中提到，IOU loss是一种衡量框回归质量的方法，它通过最小化预测框和真实框之间的IOU来训练模型。在实际应用中，通常使用1-IoU来定义IOU loss。通过使用IOU loss，可以提高对IOU的衡量，从而改善目标检测任务中的框定位问题。123 #### 引用[.reference_title] - *1* *2* *3* [【目标检测】28、Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression](https://blog.youkuaiyun.com/jiaoyangwm/article/details/126174971)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]