【GIOU】目标检测中的Loss改进：GIOU

最新推荐文章于 2025-05-14 00:15:52 发布
最新推荐文章于 2025-05-14 00:15:52 发布
阅读量1.7k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： 深度学习
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/wangdongwei0/article/details/103129531
giou loss
jacke121的专栏
01-06 2543
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,...
目标检测不同的改进
weixin_39139473的博客
06-02 368
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
目标检测中的IoU损失函数
最新发布
qq_36892712的博客
05-14 512
IoU损失函数的演进体现了目标检测领域对几何关系建模IoU → GIoU：解决梯度消失问题；：引入距离惩罚，加速收敛；：细化长宽比优化，提升精度。讨论话题在您的实际项目中，哪种IoU损失效果最佳？对于旋转目标检测，如何改进IoU损失？
numpy实现GIOU代码
qq_43088746的博客
07-29 904
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
04-19 895
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
05-31 941
ref https://blog.youkuaiyun.com/qq_39027890/article/details/88049545#对象检测精度测量
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...
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 ...
{"train_lr": 9.999999999999769e-06, "train_loss": 21.28127575720381, "train_loss_vfl": 0.7926896240101421, "train_loss_bbox": 0.1730125365169637, "train_loss_giou": 0.7405169542792958, "train_loss_vfl_aux_0": 1.0139826408722117, "train_loss_bbox_aux_0": 0.19708112190893423, "train_loss_giou_aux_0": 0.7683152278389321, "train_loss_vfl_aux_1": 0.9705591896857355, "train_loss_bbox_aux_1": 0.18077695704762292, "train_loss_giou_aux_1": 0.7398171850033026, "train_loss_vfl_aux_2": 0.9128599568607922, "train_loss_bbox_aux_2": 0.17436226969291954, "train_loss_giou_aux_2": 0.7381583543755973, "train_loss_vfl_aux_3": 0.8479711368086453, "train_loss_bbox_aux_3": 0.1736977368308157, "train_loss_giou_aux_3": 0.737467385875354, "train_loss_vfl_aux_4": 0.8121209355457774, "train_loss_bbox_aux_4": 0.1722905259302171, "train_loss_giou_aux_4": 0.7385181724025518, "train_loss_vfl_aux_5": 0.9396382454837393, "train_loss_bbox_aux_5": 0.26576847316740193, "train_loss_giou_aux_5": 0.9272661880127289, "train_loss_vfl_dn_0": 0.4974277570874936, "train_loss_bbox_dn_0": 0.3083435350119193, "train_loss_giou_dn_0": 0.788808505865013, "train_loss_vfl_dn_1": 0.4677735700797235, "train_loss_bbox_dn_1": 0.2513014289161944, "train_loss_giou_dn_1": 0.6824771829995969, "train_loss_vfl_dn_2": 0.4499487520451316, "train_loss_bbox_dn_2": 0.23452719723692542, "train_loss_giou_dn_2": 0.6482247728346778, "train_loss_vfl_dn_3": 0.44208292053930415, "train_loss_bbox_dn_3": 0.22947435307295005, "train_loss_giou_dn_3": 0.6422228983738137, "train_loss_vfl_dn_4": 0.44009303934169264, "train_loss_bbox_dn_4": 0.2277972794350713, "train_loss_giou_dn_4": 0.6420102769536292, "train_loss_vfl_dn_5": 0.4405380960717891, "train_loss_bbox_dn_5": 0.22784265998235476, "train_loss_giou_dn_5": 0.64351078227506, "test_coco_eval_bbox": [0.2850231398773143, 0.5405510341454601, 0.23959214836924067, 0.16947794653844553, 0.21123704386978878, 0.2765617147926568, 0.35497390251294986, 0.4976055955128448, 0.5902341811264838, 0.3709281425679972, 0.4686535422726888, 0.665727636061482], "epoch": 63, "n_parameters": 62820328}这些指标都是社么意思，哪些指标是有用的，这些指标的变化能显示出什么
03-24
- `train_loss_giou: 0.74`（GIoU几何位置损失） - **辅助分支**：`_aux_0`到`_aux_5`对应不同解码器层的辅助监督 - **去噪分支**：`_dn_0`到`_dn_5`可能用于去噪训练（如DETR系模型） #### 3. **测试指标（最...
【YOLO改进】换遍IoU损失函数之GIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-28 1074
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用GIoU损失函数替换YOLO中常用的CIoU损失函数。
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结
生命在于折腾！
09-29 3075
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结 1. Smooth L1 Loss 这个是 Faster-RCNN 中的损失函数。具体可以参考深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解 中相应介绍。 Smooth L1 Loss 相比 L1 和 L2 的优势可以参考 损失函数：L1 loss, L2 loss, smooth L1 loss。总结其优势就是： smooth L1和L1-loss函数的区别在于，L1-loss在0点处导数不唯一，可
IoU Loss小结: Giou，Diou，Ciou
Ken的博客
09-19 1422
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 7851
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 4284
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 3058
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。
YOLOV5改进（Soft-NMS（多种IOU））
eagleflying_cau的博客
06-10 1403
在这个后面可以加CIOU/DIOU/SIOU/GIOU/EIOU=True,不加的话就默认是IOU。（1）将以下代码复制到utils/general.py中。2.在训练时用general里面的这个。在验证时把上面的注释掉，用这个。
YOLOv8改进：IOU创新篇 | 引入MPDIou、WIoU、SIoU、EIoU、α-IoU，在不同场景实现涨点
会AI的学姐
11-05 1556
IOU创新篇 | 引入MPDIou、WIoU、SIoU、EIoU、α-IoU，在不同场景实现涨点
mmdetection的configs中的各项参数具体解释
热门推荐
hajlyx的博客
01-07 5万+
简介 在使用mmdetection对模型进行调优的过程中总会遇到很多参数的问题，不知道参数在代码中是什么作用，会对训练产生怎样的影响，这里我以faster_rcnn_r50_fpn_1x.py和cascade_rcnn_r50_fpn_1x.py为例，简单介绍一下mmdetection中的各项参数含义 faster_rcnn_r50_fpn_1x.py 首先介绍一下这个配置文件所描述的框架，它是基...
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