目标检测算法回顾之IOU变体篇章

已于 2024-03-05 21:44:16 修改
阅读量2.2k 收藏 28
点赞数 6
分类专栏： 目标检测学习笔记 文章标签： 算法 目标检测 计算机视觉
于 2022-05-23 19:59:17 首次发布
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/qq_41895003/article/details/124933319
版权

目标检测中IOU的发展


说明：本文仅供学习

smooth L1 loss

Smooth L1 Loss完美的避开了L1和L2 Loss的缺点

  1. L1 Loss的问题：损失函数对x的导数为常数，在训练后期，x很小时，如果learning rate 不变，损失函数会在稳定值附近波动，很难收敛到更高的精度。
  2. L2 Loss的问题：损失函数对x的导数在x值很大时，其导数也非常大，在训练初期不稳定。

IOU

在这里插入图片描述
在IOU loss提出来之前，检测上有关候选框的回归主要是通过坐标的回归损失来优化。但基于L1 loss/L2 loss的坐标回归不具有尺度不变性，且并没有将四个坐标之间的相关性考虑进去。因此，在ACM2016的论文中提出了IOU loss，它将四个坐标点看成一个整体进行计算，具有尺度不变性（也就是对尺度不敏感）。IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。
在这里插入图片描述
虽然IOU loss虽然解决了Smooth L1系列变量相互独立和不具有尺度不变性的两大问题，但是它也存在两个问题：

  • 当预测框和目标框不相交时，IoU(A,B)=0时，不能反映A,B距离的远近，此时损失函数不可导，IoU Loss 无法优化两个框不相交的情况。
  • 假设预测框和目标框的大小都确定，只要两个框的相交值是确定的，其IoU值是相同时，IoU值不能反映两个框是如何相交的。

因此，IOU loss虽然比较简单直观，但它不是最好的选择！

GIOU

针对IOU无法反映两个框是如何相交的问题，GIOU通过引入预测框和真实框的最小外接矩形（类似于图像处理中的闭包区域）来获取预测框、真实框在闭包区域中的比重。这样子，GIOU不仅可以关注重叠区域，还可以关注其他非重合区域，能比较好的反映两个框在闭包区域中的相交情况。在这里插入图片描述
从公式上来看，GIOU是一种IOU的下界，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU与IOU相比，是一个比较好的距离度量指标。
在这里插入图片描述

DIOU

虽然GIOU通过引入闭包区域缓解了预测框与真实框相交位置的衡量问题，但其实际上存在两个问题：

  • 对每个预测框与真实框均要去计算最小外接矩形，计算及收敛速度受到限制（收敛速度不够快）。【能不能直接最小化距离？，以达到更快的速度？】
  • 当预测框在真实框内部时，GIOU退化为IOU，也无法区分相对位置关系。【能不能在两者有重叠时甚至包含时回归更加准确】
    在这里插入图片描述
  • 因此，针对上述问题，DIOU在基于IOU特性的基础上考虑到GIOU的缺点，直接回归两个框中心点的欧式距离，加速了收敛速度。DIoU的惩罚项是基于中心点的距离和对角线距离的比值，避免了像GIoU在两框距离较远时，产生较大的外包框，Loss值较大难以优化。
  • 同时为缓解两框包含时的退化问题，DIOU还考虑了两框之间的重叠面积，使所回归的候选框更稳定。在这里插入图片描述

CIOU

  • DIoU Loss存在的问题：

    中心点重合，但宽高比不同时，DIOU loss不变。

  • 因此，为了得到更加精准的预测框，CIOU在DIOU的基础上增加了一个影响因子，即增加了预测框与真实框之间长宽比的一致性的考量。
    在这里插入图片描述

  • CIoU Loss存在的问题：

    CIOU Loss虽然考虑了边界框回归的重叠面积、中心点距离及长宽比。

    但是通过其公式中的v反映的长宽比的差异，而不是宽高分别与其置信度的真实差异，所以有时会阻碍模型有效的优化相似性。在这里插入图片描述

EIOU

因此，EIOU在CIOU的基础上将长宽比拆开，分别计算长、宽的差异，同时引入Fcoal loss解决了难易样本不平衡的问题。
在这里插入图片描述

IOU loss的总结

在这里插入图片描述
在这里插入图片描述

下载链接

博客资源PDF下载链接：目前检测最全的PDF版本，注意PDF版本

目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
qq_36130719的博客
05-18 1547
近年来，随着人工智能技术以及车载感知器件的快速发展，国内外许多传统汽车企业与互联网巨头强强联手，开始在自动驾驶的战场上布局。如图1-1所示,百度、特斯拉、谷歌以及华为等科技公司已经在自动驾驶领域取得了阶段性的进展。谷歌公司早在2010年就开始了自动驾驶的研究工作，目前的自动驾驶安全行驶距离已经超过14万英里；特斯拉则在自动驾驶商业化方面取得成绩优异，2020年，配有“完全自动驾驶”的汽车年销量已经超过60万。国内自动驾驶技术。
YOLOv5 Flightscope:卫星图像中飞机检测算法的深度综合评估
sybh的博客
05-22 691
利用热红外(TIR)和RGB相机[1]等各种类型的视觉传感器，遥感在获取地球表面信息方面起 着基础性作用。这一领域包含了广泛的技术和方法，旨在捕获、分析和解释来自各种来源 的数据。在遥感领域中，最重要的应用之一是小目标[2]的检测和定位。来自卫星图像的目 标检测在各个领域都具有非常重要的意义，例如国防和军事应用[3]、城市研究[4]、机场监 视、船舶交通监测[5]和交通基础设施确定[6,7]。
IoU、GIoU、DIoU
redfivehit的专栏
02-11 752
IOU(Intersection over Union) 1. 特性(优点) IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。 可以说它可以反映预测检测框与真实检测框的检测效果。 还有一个很好的特性就是尺度不变性，也就是对尺...
IoU的及其变体
PleaseBeStrong的博客
12-11 1708
IoU（Intersection over Union）是一个衡量两个边界框（bounding box）重叠度的指标，常用于目标检测和实例分割任务中。IoU并集区域交集区域​以下图小狗做例子，假设我们要预测狗狗叼着的玉米的位置，则我们就可以通过最小化IoU损失来使得预测的Bounding Box更接近GT通过计算IoU loss而不是计算l2​l2​。
【IoU变体对比：WIOU、SIOU、EIOU、GIOU、CIOU】
dally2的博客
02-27 1156
IoU变体对比：WIOU、SIOU、EIOU、GIOU、CIOU
各种 IoU 损失变体-GIoU、DIoU、CIoU、EIoU、α-IoU、SIoU、MPDIoU、Inner/Shape/Focaler-IoU...
画心
10-24 4208
IoU损失及其各种变体已经在密集预测任务中展现出了优异的效果。这里做一个简单的罗列与梳理。
目标检测从入门到精通——常见iou及变体算法介绍
swpucwf的博客
09-09 1960
在目标检测任务中，IoU 是评估模型性能的重要指标。随着研究的深入，许多 IoU 的变体被提出，以解决传统 IoU 在某些情况下的不足。每种 IoU 变体都有其独特的优点和适用场景，选择合适的 IoU 计算方法可以根据具体应用需求来决定。指标计算方式特点IoU交集面积 / 并集面积简单易懂，但在无重叠情况下无法提供有效反馈GIoUIoU - (最小外接框面积 - 并集面积) / 最小外接框面积解决了 IoU 的不足，考虑了框之间的距离DIoU。
论文总结：IOU-Net （Acquisition of Localization Confidence for Accurate Object Detection）
Snoopy_Dream
09-04 2370
论文地址：https://arxiv.org/abs/1807.11590 代码地址：https://github.com/vacancy/PreciseRoIPooling  1.论文的出发点     传统的2-stage的目标检测算法中，分类和定位被用不同的方法解决。一般算法逻辑上可理解为先区分前后景，然后检测到的边界框与其中一个真值边界框大于阈值IoU，则认为它是正样本， 此目标可能与定...
目标检测算法基础理论
最新发布
05-06
好的，用户想了解目标检测算法的基础理论。首先，我需要回顾一下之前提供的引用内容，确保信息准确。引用[1]提到目标检测算法分为传统方法和深度学习方法，而用户可能更关注深度学习部分。引用[2]说明了发展趋势，但...
论文阅读--捍卫基于激光雷达视野范围的三维目标检测
weixin_43899239的博客
11-07 987
在本文中，我们提出了一种基于 LiDAR 的。
【论文解读】transformer小目标检测综述
INTSIG的博客
02-22 3562
本综述论文回顾了60多篇研究论文，专注于开发小目标检测任务的transformer，包括纯基于transformer和集成cnn的混合技术。这些技术已经从七个不同的角度进行了研究：目标表示、用于高分辨率或多尺度特征图的快速注意机制、架构和块的修改、时空信息、改进的特征表示、辅助技术和完全基于transformer的检测。这些类别都包括几种最先进的（SOTA）技术，每一种都有自己的优点。
IoU-Net论文笔记
HXACA的博客
12-06 642
论文背景及大致思路 a. 清北，Face++，头条四家联合出品，一看就是有点厉害的文章。发表于ECCV2018. b. 文章从我们常常忽略的定位的准确率出发，提出了利用预测IoU来辅助检测的IoU Net。在多个数据集上得到了当前的最佳效果。 发现的问题和主要工作 a. 首先大概的讲一下传统的NMS。首先拿出分类置信度最高的预测框，然后将同一类别的框都拿出来和他算一算IoU，如果大于了一个...
目标检测：IoU介绍及其改进
qq_50001789的博客
06-26 2984
在目标检测中常用到一个指标IoU，又称交并比，用于衡量一幅图像中两个边界框的重合度。在训练阶段，可以用于衡量锚框和物体边界框之间的相似度，来给每个锚点划分正负样本，即给锚点匹配标签，同时也可以用作损失函数，通过提高预测边界框与真实边界框之间的相似度来改善网络预测物体边界框的能力；在测试阶段，可以利用IoU来衡量预测边界框之间的重合度，用于过滤重合度高的边界框，即参与NMS运算。计算公式边界框A和边界框B之间的交集区域面积除以并集区域面积IoUA∩BA∪BIoUA∪BA∩B​。
Boundary IoU论文简读
如果想成为中心，那么就到中心去吧。
08-07 712
论文：https://arxiv.org/pdf/2103.16562.pdf 源码链接：https://github.com/bowenc0221/boundary-iou-api 文章目录动机定义分割错误类别 动机 近年来，随着深度学习技术的进一步发展，实例分割算法的性能越来越优秀。实例分割算法的进步体现在AP指标的不断提升，但是这不等同于优化的算法对所有的“错误类型”都有改善。 算法的优化一般是以增加评测指标值为目的，如果AP指标对某种错误类型敏感，那么基于该指标优化的算法能很好地解决该种错误类型；.
使用chatGPT写的IoU及IoU变体的代码实现
南城以北的博客
05-07 666
Intersection over Union（IoU）是计算两个边界框的重叠程度的常用指标。这些变体都是用于计算两个边界框的重叠度量，目的是为了提高目标检测等任务的精度。在实际应用中，我们可以根据任务的需要选择适当的重叠度量。
《IoU-Net: Acquisition of Localization Confidence for Accurate Object Detection》论文笔记
m_buddy的博客
12-19 867
1. 前言 目前基于CNN的目标检测器是依赖于边界框回归与非极大值抑制去定位目标。但是预测框的分类反映的是分类的置信度，并不能反应定位的置信度，这就会掉之预测框在回归的过程中发生退化或者被NMS抑制。这篇文章提出了：（1）IoU_Net去预测检测框与GT框的IOU，从而使得网络获得定位置信度，（2）这样通过保持定位精度来改进NMS过程。还提出了一种基于优化的边界框优化方法，以预测IoU为目标。该方...
IOU
heavenpeien的博客
05-22 1964
论文阅读笔记——IoU-Net
pelenjiang的博客
04-28 710
论文阅读笔记——Acquisition of Localization Con dence for Accurate Object Detection（IoU-Net） 论文链接：https://arxiv.org/abs/1807.11590 代码地址：https://github.com/vacancy/PreciseRoIPooling 摘要 现代的基于CNN的目标检测器依靠边界框回归和...
IOU的进化进程
我有酒两杯的博客
04-25 400
0 前言 此文章主要用于记录IOU、GIOU、DIOU、CIOU存在的缺陷以及各IOU解决的问题。 分析其原理，并附上代码实现。(希望这篇文字能够顺利完成) 1 IOU 1.1 定义 交并比（Intersection over Union）是一种测量在特定数据集中检测相应物体准确度的一个标准。 1.2 数学表达式 IOU=A∩BA∪BIOU=\frac{A\cap B}{A\cup B}IOU=A∪BA∩B​ A∩B=(x2−x1)∗(y4−y3)A\cap B=\left( x2-x1 \right)*
使用cascade rcnn算法检测2d图像的Precision、Racall、F1-Score、mAP、IoU
03-16
<think>好的，我需要帮助用户评估Cascade R-CNN算法在2D图像目标检测中的性能指标，包括Precision、Recall、F1-Score、mAP和IoU。首先，我应该回顾这些指标的定义和计算方法，然后结合Cascade R-CNN的特点来解释评估步骤。 首先，Precision（精确率）和Recall（召回率）是基础指标，分别衡量检测的准确性和覆盖率。F1-Score是两者的调和平均，综合评估模型性能。对于目标检测任务，IoU（交并比）用于判断检测框与真实框的重叠程度，通常设定阈值（如0.5）来判断是否为正确检测。而mAP（平均精度均值）则是多个IoU阈值下或不同类别间的平均精度，是目标检测中的重要指标[^1]。 接下来，我需要考虑Cascade R-CNN的结构。它通过级联多个检测器，逐步提高IoU阈值，从而改善检测质量。这意味着在评估时，可能需要关注不同阶段的性能变化，或者不同IoU阈值下的mAP表现。例如，原论文中可能提到在较高IoU阈值下，Cascade R-CNN的表现优于其他模型，这需要在评估时验证。 然后是具体评估步骤。数据准备方面，用户需要确保有标注好的测试集，包括每个目标的类别和边界框。模型推理后，得到预测框及其置信度。接下来是匹配预测框和真实框，通常基于IoU和类别是否一致。这里要注意NMS（非极大值抑制）的应用，避免重复检测影响评估结果。 计算每个类别的Precision和Recall时，需要统计TP、FP、FN。例如，对于每个类别，在所有测试图片中累计这些数值，然后计算Precision=TP/(TP+FP)和Recall=TP/(TP+FN)。F1-Score则是2*(Precision*Recall)/(Precision+Recall)。 对于mAP的计算，可能有不同的变体，比如COCO数据集的mAP是在0.5到0.95的IoU阈值范围内，以0.05为步长计算平均AP。而PASCAL VOC通常使用0.5的固定阈值。用户需要明确他们遵循的标准，可能是参考COCO或自定义的范围。 在实现工具方面，MMDetection和Detectron2等框架提供了评估脚本，用户可以直接使用这些工具生成结果。同时，可视化分析错误案例，如混淆矩阵或PR曲线，能帮助用户理解模型在哪些类别或场景下表现不佳。 最后，用户可能需要比较不同模型或配置下的结果，例如调整Cascade R-CNN的级联阶段数或IoU阈值，观察对mAP的影响。此外，数据增强、骨干网络的选择等优化策略也可能提升性能，这些可以作为后续的优化方向。 总结来说，我需要分步骤解释每个指标的计算方法，结合Cascade R-CNN的特性，指导用户如何准备数据、运行评估，并分析结果。同时，提醒注意点如NMS的影响和不同mAP标准的区别，确保评估的准确性。</think>### Cascade R-CNN在2D目标检测中的性能评估方法 #### 1. 基础指标定义 - **精确率（Precision）**：$Precision = \frac{TP}{TP+FP}$ 表示正确检测的目标占所有预测为正样本的比例[^1]。 - **召回率（Recall）**：$Recall = \frac{TP}{TP+FN}$ 表示正确检测的目标占所有真实正样本的比例。 - **F1-Score**：$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$ 综合精确率和召回率的平衡指标。 #### 2. 目标检测专用指标 - **IoU（交并比）**： $$ IoU = \frac{Area(B_{pred} \cap B_{gt})}{Area(B_{pred} \cup B_{gt})} $$ 用于衡量预测框$B_{pred}$与真实框$B_{gt}$的重叠程度，通常以阈值（如0.5）判定是否为有效检测。 - **mAP（平均精度均值）**： 对每个类别计算PR曲线下面积（AP），再对所有类别取平均。COCO数据集的mAP采用多阈值计算： $$ mAP_{COCO} = \frac{1}{10}\sum_{IoU=0.5}^{0.95} AP_{IoU} $$ #### 3. Cascade R-CNN评估流程 **步骤1：数据准备** - 使用标注好的测试集，需包含： ```json { "image_id": "0001.jpg", "bbox": [x_min, y_min, width, height], // 真实框 "category_id": 2 } ``` **步骤2：模型推理** 通过Cascade R-CNN生成预测结果： ```python # 使用MMDetection示例 from mmdet.apis import init_detector, inference_detector model = init_detector(config_file, checkpoint_file) result = inference_detector(model, img) # 输出格式：[[x1,y1,x2,y2,score], ...] 按类别分组 ``` **步骤3：匹配预测与真实框** 使用IoU阈值进行匹配： ```python def match_boxes(pred_boxes, gt_boxes, iou_threshold=0.5): iou_matrix = calculate_iou(pred_boxes, gt_boxes) matched_indices = hungarian_algorithm(iou_matrix) # 匈牙利算法匹配 return TP, FP, FN ``` **步骤4：指标计算** - **逐类统计**：对每个类别独立计算TP/FP/FN ```python for class_id in all_classes: ap = compute_ap(recall, precision) # 积分法或插值法 mAP = average(ap_list) ``` #### 4. 工具与优化 - **评估框架**： ```bash # 使用COCO API评估 python tools/test.py configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py \ checkpoints/cascade_rcnn_r50_fpn_1x_coco.pth \ --eval bbox ``` - **可视化分析**： ![PR曲线示例](https://cocodataset.org/images/detection-pr-curve.png) （通过PR曲线观察不同置信度阈值下的表现） #### 5. Cascade R-CNN特性影响 其级联结构会显著影响高IoU阈值下的指标： $$ \text{阶段1 IoU=0.5} \rightarrow \text{阶段2 IoU=0.6} \rightarrow \text{阶段3 IoU=0.7} $$ 实验表明，在IoU=0.7时，Cascade R-CNN比Faster R-CNN的AP提升约5%。
评论 8
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

打赏作者

xiaobai_Ry

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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