【GIOU】目标检测中的Loss改进：GIOU

最新推荐文章于 2023-12-21 10:57:36 发布
原创 最新推荐文章于 2023-12-21 10:57:36 发布 · 1.7k 阅读 · 0 ·
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：

#深度学习

本文深入探讨了目标检测领域中Loss函数的改进，重点介绍了GIOU（Generalized Intersection over Union）的概念及其在提升检测精度方面的优势。GIOU通过计算预测框与真实框之间的交并比，有效解决了IoU（Intersection over Union）在处理不完全重叠情况下的局限性，从而提高了模型的训练效果。
giou loss
jacke121的专栏
01-06 2558
https://github.com/Tenvence/gravel-object-detection/blob/0feea9b29bbbd0a6cc02516e7ecffc27ef732bf7/model/loss.py import numpy as np import torch import torch.nn as nn def compute_giou(boxes1,...
YOLOv8损失函数改进大全：从IoU到FocusIoU的20+种变体全解析（附完整适配代码+性能对比）
最新发布
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
10-13 693
目标检测边界框损失函数演进与优化 摘要：边界框损失函数是目标检测模型定位精度的关键因素。本文系统分析了从基础IoU到最新FocusIoU的20余种损失函数的演进历程，包括四代主要技术：基于重叠区域的IoU/GIoU，结合距离度量的DIoU/CIoU，优化形状匹配的EIoU/RIoU，以及考虑方向性的SIoU/WIoU/FocusIoU。针对YOLOv8模型，提供了完整的损失函数实现代码和替换方案，实验表明优化后的损失函数在复杂场景下可提升mAP@0.5达3.2%。文章特别对比了不同损失在小目标、遮挡和密集场
目标检测不同的改进
weixin_39139473的博客
06-02 381
目标检测不同的改进1.loss函数 1.loss函数 样本不平衡问题感研究的论文相对较多，例如2019 AAAI GHM，2019 CVPR AP-loss， 还有2019 DR loss， 2019 IoU-balanced loss，two-stage中也有Libra RCNN，都是关注样本不平衡的问题。 2019 AAAI GHM（解决one-stage样本不平衡问题）目标检测算法论文阅读笔记 2019 DR loss（样本不平衡问题）目标检测论文阅读 2019 ResObj（样本不平衡问题，学习方法
numpy实现GIOU代码
qq_43088746的博客
07-29 924
笔者使用numpy实现了GIOU，废话不多说，直接贴上代码： import numpy as np def GIOU (boxes1 , boxes2 ): "calculate GIOU " ''' boxes1 shape : shape (n, 4) boxes2 shape : shape (k, 4) gious: shape (n, k) ...
【pytorch】目标检测指标iou的升级版：giou实现
种一棵树最好的时间是十年前，其次是现在
04-19 1021
相比于传统的IOU，判别重合程度时，使用GIOU，是为了解决以下两个问题： 1.预测的检测框如果和真实物体的检测框没有重叠，无法进一步优化。 2.对于两个IoU相同的物体，他们的对齐方式IoU并不敏感。 于是有如下公式： GIoU对scale不敏感 GIoU是IoU的下界，在两个框无线重合的情况下，IoU=GIoU IoU取值[0,1]，但GIoU有对称区间，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是一个非常好的距离度量指标。 实现giou的p
GIoU
qq_35608277的博客
05-31 963
ref https://blog.youkuaiyun.com/qq_39027890/article/details/88049545#对象检测精度测量
【GIoU loss】GIoU loss损失函数理解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 1万+
文章目录1 引言2 问题分析3 GIoU Loss计算过程4 IoU和GIoU对比分析5 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss 之前写到了
深度学习目标检测算法改进：从R-CNN到GIOU与focalloss
"本文主要探讨了深度学习在目标检测算法上的改进，分析了传统方法的局限性，并介绍了深度学习算法，如R-CNN系列和YOLO等，以及针对这些算法的改进策略，如新的损失函数和网络结构优化。文章还讨论了实验验证的改进...
目标检测中的回归损失函数系列三：GIoU Loss
梦坠凡尘
05-11 4896
出自论文：添加链接描述 代码：https://github.com/generalized-iou/g-darknet 目标检测中的回归损失函数系列二：IoU Loss已经讲过IoU Loss，GIoU是对IoU的改进，我们再看一次下面这张图： IoU Loss = 1-IoU，其中IoU可以由下计算得到： A，B是预测框和真实框，对应上图中的绿色框和黑色框。 综上可以看出两个问题： 预测框bbox和ground truth bbox如果没有重叠，IOU就始终为0并且无法优化。也就是说损失函数失去了可
一种基于GIoU和加权NMS改进的人脸关键点检测方法.pdf
05-13
### 一种基于GIoU和加权NMS改进的人脸关键点检测方法 #### 技术背景与创新点概述 本文介绍了一种基于广义交并比（Generalized Intersection over Union, GIoU）和加权非极大值抑制（Weighted Non-Maximum ...
目标检测回归损失函数：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
scy的技术博客
04-24 2729
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的演进过程，其演进路线是Smooth ->>L1 Loss ->> IoU Loss ->> GIoU Loss DIoU Loss ->> CIoU Loss，本文按照此路线进行讲解。 1. Smoot
IoU Loss小结: Giou，Diou，Ciou
Ken的博客
09-19 1480
Giou： Giou论文 Diou： Diou论文 你真的读懂yolo了吗？ YOLO V3 深度解析 （下）
IOU、GIOU、DIOU、CIOU详解及代码实现
qq_52302919的博客
01-13 1万+
一、IOU Loss 旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。 文章链接：https://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 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。IOU满足非负性
目标检测（损失函数）：目标定位损失—GIoU
牛顿爱吃香蕉的博客
08-28 7942
目标检测（损失函数）：目标定位损失—GIoU1、提出问题2、解决方案 CVPR 2019CVPR~2019CVPR 2019 有一篇介绍目标检测定位损失函数的 paperpaperpaper： 论文链接：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 1、提...
IOU、GIOU、DIOU、CIOU的学习及代码实现
To_be_little的博客
05-09 4415
什么是IOU 改进的IOU ——GIOU 、DIOU 、CIOU。各种IOU代码如下IOU代码及结果展示
MMDetection系列 | 3. MMDetection自定义模型训练
Clichong
09-11 3156
在去年MLP-Mixer出来之后，出现过一段短时间内的高潮，我也将相关的MLP结构全部的复现了一遍。不过当时苦于只能跑分类数据集，不能简单的将网络结构移植到其他的下游任务，只能作罢。后来了解了MMDetection，这个一个集成的开源目标检测框架。主旨是让我们能够比较方便的测试我们自己设计的结构。不过，缺点就是，框架封装得太多，不好细改，也难以调试。但是优点是替换结构方便。网上关于MMDetection的资料还比较少，这篇博客也算是我踩了比较多的坑多得到的结果。
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
热门推荐
athrunsunny的博客
02-03 2万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。
IoU Loss 损失函数
mqdlff_python的博客
12-21 1166
IoU Loss 损失函数
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 4339
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
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