March 11- Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

最新推荐文章于 2025-03-27 15:58:50 发布
最新推荐文章于 2025-03-27 15:58:50 发布
阅读量480 收藏
点赞数 1
分类专栏： CVPR

Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

https://mp.weixin.qq.com/s/kJfitOheQB6VchZ_96f-nQ

看了这篇微信文章开始看了下论文的全文，对于损失函数的提出，比较有建设性意见，是出彩的地方。

论文原文下载
在这里插入图片描述

1. Introduction of IoU

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2. Introduction of GIoU

在这里插入图片描述

在这里插入图片描述

3. Comparison of IoU and GIoU

在这里插入图片描述

4. How to calculate the loss in details?

在这里插入图片描述

The end

目标检测中的Bounding Box Regression Loss
mingo_敏
05-10 4557
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
Bounding Box Regression Loss演变过程
mingo_敏
10-16 145
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
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression阅读笔记
风行
12-29 444
（一）Title 前言:杠杆 （二）Summary （三）Research Object （四）Problem Statement （五）Method （六）Experiments （七）Conclusion （八）Notes
【目标检测】27、GIoU：Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression
呆呆的猫的博客
06-05 3563
文章目录摘要引言 摘要 Intersection over Union（IoU）是目标检测领域应用最多的度量方式。 优化b-box的参数的回归过程所使用的损失函数和最大化度量值之间存在一定的鸿沟 二维轴心对齐的b-box情况，IoU可以直接作为回归损失 但是，IoU无法优化不重叠的b-box情况 本文通过引入一个更一般化的度量方式来作为新的loss和新的度量 本文通过将提出的 generalize........................
GIoU Loss（Generalized Intersection over Union Loss）损失函数解析
最新发布
浩瀚之水的专栏
03-27 1003
​GIoU Loss 是IoU Loss的改进版本，旨在解决基础IoU Loss在预测框与真实框无重叠时梯度消失的问题。通过引入最小闭合区域，GIoU Loss能够有效优化非重叠框的定位，同时保持尺度不变性，广泛应用于目标检测的边框回归任务。
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
肥羊汤
04-02 790
广义相交：边界框回归损失度量（解读）（原论文） IoU不能作为损失函数的原因: IoU在边界框与坐标轴对齐的情况下，可以用作回归损失。但是存在一种情况，当预测框与真实框不重叠的情况下，用IoU作为损失函数是不可行的。因为IoU是预测框A与真实框B的交并比，即IoU=|A∩B| / |A∪B|，如果预测框与真实框不重叠，那么A∩B=0，则IoU=0。此时继续进行迭代，剃度为0，不能优化参数，该损...
目标检测系列：论文阅读——Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
lynlindasy的博客
05-07 804
这也是2019CVPR的一篇论文，斯坦福大学的，针对IoU进行了改善，提出generalized IoU(GIoU)。 IoU是目标检测等任务中必不可少的一部分，通过计算预测box和标签box之间的IoU对目标进行分类，并且通过IoU阈值进行筛选后边框回归，以修正目标位置和形状。泛化一点，IoU可以衡量任意两个区域的形状相似度，对于区域A和B，。 有公式可知，对于任何具体情况，IoU都和区域的...
CVPR2019:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
qq_40962619的博客
03-24 735
摘要 Intersection over Union (IoU) is the most popular evaluation metric used in the object detection benchmarks. However, there is a gap between optimizing the commonly used distance losses for regress...
【SIoU】《SIoU Loss: More Powerful Learning for Bounding Box Regression》
bryant_meng
07-17 1274
arXiv-2022。
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 论文
c_watermelon_y的博客
03-15 402
作者：Hamid Rezatofighi Nathan Tsoi JunYoung Gwak Amir Sadeghian Ian Reid Silvio Savarese 单位：Computer Science Department, Stanford University, United States School of Computer Science, T...
《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》论文详解
Michael’s Blog
03-31 541
现在在物体检测领域，通常会使用IoU(Intersection over Union)来作为一个很重要的度量指标。但是很多时候在训练网络时，采用的是l2-norm来回归检测框的，文章认为采用l2-norm来训练模型而使用IoU来衡量模型好坏，这两者之间似乎存在着某种不匹配的关系。 举个例子，如下图所示， 【图】 现假设采用左上角右下角的坐标来表示一个矩形框，即(x1,y1,x2,y2)(x_1,y...
[CVPR2019]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
Mars_WH的专栏
03-01 2428
IoU和GIoU作为Loss的具体公式 GIoU很容易理解，就多了一个两个BBox所占最大面积A1，与并集的区别在于多算了不属于BBox的一部分面积A2，就用A2除以A1，得到一个比例P1，paper中的意思是这个比例代表预测BBox与真实BBox的回归效果，效果也好比值越低，最后用传统的IoU减去P1得到GIoU。 ...
论文学习笔记：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regressi
Diana_Z的博客
06-28 908
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 作者：Hamid Rezatofighi, Nathan Tsoi, JunYoung Gwak, Amir Sadeghian, Ian Reid, Silvio Savarese 论文链接：https://arxiv.org...
【GIoU】《Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression》
bryant_meng
07-22 562
CVPR-2019 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets6 Conclusion（own） / Future work 1 Background and Motivation 现有的 SOTA 目标检测模型，do not operate in real time and require large number of GPUs.
[论文阅读]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
苏门蒲元的博客
03-16 596
分析 目标检测中，边界框回归是很重要的一个组成部分，判断一个边界框回归好坏，一般通过IOU来体现。 优化回归损失与优化IOU之间存在差距 分析一 然而在当前检测算法中，并不是直接优化IOU，而是将IOU decode成(x,y,w,h)或者边界框的两个角点(x1,y1,x2,y2)(x_1,y_1,x_2,y_2)(x1​,y1​,x2​,y2​),对这几个值进行回归，从而优化IOU，然后实际上这...
CVPR2019 | 目标检测新文：Generalized Intersection over Union
极市平台的技术博客
03-01 7980
链接 | https://mp.weixin.qq.com/s/6QsyYtEVjavoLfU_lQF1pw 作者 | ywsun 原文| https://zhuanlan.zhihu.com/p/57863810 如有兴趣可以**点击加入极市CV专业微信群**，获取更多高质量干货 论文链接 https://arxiv.org/abs/1902.00963 1.Motivation 包围框回...
GIOU:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
surprising
09-30 314
废话不多说，先看motivation： There is a gap between optimizing the commonly used distance losses and maximizing this metric value. The optimal objective for a metric is the metric itself. so in the ca...
EIOU损失函数论文
03-08
### EIOU损失函数的研究论文 EIOU (Explicit IoU) 损失函数主要应用于目标检测领域，旨在提高边界框回归的准确性。为了帮助定位有关EIOU损失函数的具体研究论文，以下是几个重要的学术资源和方向： #### 学术数据库与会议记录 许多高质量的计算机视觉和模式识别领域的研究成果通常发表于顶级国际会议上，如CVPR（Conference on Computer Vision and Pattern Recognition）、ICCV（International Conference on Computer Vision）。这些会议的官方网页提供了详细的存档资料。 #### 关键文献回顾 一篇具有代表性的文章是《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression with Convolutional Networks》[^1]。该文提出了GIoU度量及其对应的损失项，而EIoU可以视为其改进版本之一，在此基础上进一步优化了模型训练过程中的收敛性和鲁棒性。 #### 开源实现与技术博客 GitHub平台上存在大量开源项目实现了各种变体的IoU损失函数，其中包括EIoU。通过浏览相关项目的文档和支持论坛可以获得一手的应用案例和技术细节说明。 ```python import torch.nn as nn class EIoULoss(nn.Module): def __init__(self): super(EIoULoss, self).__init__() def forward(self, pred_bboxes, target_bboxes): # Implementation of the EIoU loss calculation based on predicted and target bounding boxes. pass ```
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