改进YOLO系列：12.Repulsion损失函数【遮挡】

最新推荐文章于 2025-04-22 08:57:49 发布
最新推荐文章于 2025-04-22 08:57:49 发布
阅读量2k 收藏 2
点赞数 23
分类专栏： 改进YOLO系列 文章标签： YOLO 深度学习 机器学习
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/weixin_45454137/article/details/134149976
版权
本文深入探讨了针对物体遮挡问题的Repulsion损失函数，它由三部分组成，旨在提升YOLOv5的预测准确性。该损失函数能引导预测框靠近IOU最大的真实目标框，并与其他预测框保持距离。通过在YOLOv5中添加Repulsion损失，能有效解决密集遮挡物体的检测问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. RepLoss论文

物体遮挡问题可以分为类内遮挡和类间遮挡两种情况。类间遮挡产生于扎堆的同类物体，也被称为密集遮挡(crowd occlusion)。Repulsion损失函数由三个部分构成，yolov5样本匹配，得到的目标框和预测框-一对应第一部分主要作用:预测目标框吸引IOU最大的真实目标框，使得预测更加准确;
第二部分主要作用:远离除IOU最大值之外的最大的IOU目标框。根据预测目标框，寻找一个除了IOU最大的目标框外的次IOU最大目标框，不是根据目标框寻找一个次IOU最大的预测框，两个相反的概
念。第三部分主要作用:预测框之间互相远离;
论文题目：CCNet: Criss-Cross Attention for Semantic
Segmentation
论文链接：RepLoss

效果：
在这里插入图片描述

２. RepLoss原理

yolov5+Repulsion
在yolov5中使用Repulsion损失函数解决密集且遮挡的物体

了解本专栏 订阅专栏 解锁全文 超级会员免费看
芒果YOLOv8改进166：全网首发改进Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升3%+118FPS，动态视觉特征定位
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-18 684
芒果YOLOv8改进166：全网首发改进Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升3%+118FPS，动态视觉特征定位
yolov5+Repulsion损失函数，解决密集遮挡问题(附带代码可用)
qq_42754919的博客
09-12 3675
yolov5+RepLoss，解决密集遮挡问题
Repulsion Loss: 解决行人检测中密集遮挡问题
热门推荐
weixin_42615068的博客
09-04 1万+
链接：https://arxiv.org/abs/1711.07752 motivation：目标检测的目的是使产生的proposal能更加接近真是目标框GT，而行人检测中经常会遇到行人密集拥挤的情况，文中称作crowd occlusion，使得训练输出的预测框会由于周围其他目标的影响而干扰最终的输出结果（从下图可以看出）。那么可不可以通过一种方式，阻止proposal由于crowd occlu...
YOLOv8改进遮挡损失函数Repulsion Loss：目标检测中解决遮挡问题
ZuoProgramming的博客
09-19 3187
而Repulsion Loss通过在损失函数中引入一项相互排斥的正则项，可以在训练过程中惩罚目标之间的相互遮挡，从而提高目标检测的准确性。通过使用Repulsion Loss，我们可以在YOLOv8检测器中有效地解决目标遮挡的问题，提高检测算法在密集人群等复杂场景下的准确性。当然，除了Repulsion Loss，还有许多其他方法和技术可以用于遮挡问题的处理，研究人员们在不断探索和改进中，希望能够为目标检测算法带来更好的性能和鲁棒性。在模型的前向传播方法中，我们可以根据需要定义模型的具体结构和逻辑。
芒果YOLOv7改进04：Loss篇：原创改进损失函数Repulsion：独家首发最新改进Repulsion Loss解决目标遮挡场景下检测，为解决密集人群检测中遮挡设计的损失函数，打造高效检测器涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-10 2853
YOLOv7原创改进Repulsion｜首发最新改进为解决密集人群检测中遮挡设计的损失函数
Repulsion Loss：为解决密集人群检测中遮挡设计的损失函数
安卓 高通 bsp ，同行欢迎交流
04-26 4248
最近终于实现了darknet（yolov4）与repulsion的结合。但是结果奇差无比。仔细阅读论文，发现repulsion loss基本上是为了提升数据集的指标而设计的。实际中很那应用，并且局限于两阶段检测器（个人猜想。） Markdown将文本转换为 HTML。 题目：Repulsion Loss: Detecting Pedestrians in a Crowd 原文章地址：Repulsion Loss: Detecting Pedestrians in a Crowd 引言 我们来分析一下论.
芒果YOLOv5改进05：损失函数IoU 篇之Repulsion Loss：原创改进损失函数 Repulsion：解决目标遮挡场景下检测，为解决密集人群检测中遮挡设计的损失函数，打造高效检测器涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-10 4122
YOLOv5改进代码实践｜结合Repulsion 解决目标遮挡场景下检测🚀
芒果YOLOv8改进11：损失函数IoU 篇：遮挡损失函数Repulsion Loss，全网独家首发最新改进｜ Repulsion 解决目标遮挡场景下的目标检测，为解决密集人群检测中遮挡设计的损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-10 5374
YOLOv8改进遮挡损失函数Repulsion Loss：全网独家首发改进🚀
YOLO算法的革命性升级：深度解析Repulsion损失函数在目标检测中的创新应用
最新发布
Loving_enjoy的博客
04-22 176
Repulsion损失函数的引入，不仅显著提升了YOLO在遮挡场景下的检测性能，更开创了目标检测算法设计的新维度——从单纯追求定位精度，转向构建预测框间的智能协作机制。- **动态锚框匹配**：根据排斥损失动态调整锚框匹配策略，提升遮挡目标的匹配质量。- **数据增强**：通过模拟遮挡提升鲁棒性，但无法处理真实场景中的复杂遮挡模式。- **课程学习**：分三阶段训练：先收敛定位精度，再激活排斥损失，最后联合优化。1. **时空联合排斥**：结合视频序列的上下文信息，实现时序维度上的遮挡处理。
芒果YOLO11改进162：组合改进创新点篇：遮挡损失函数Repulsion Loss + NWDLoss｜ Repulsion 解决目标遮挡场景下的目标检测，为解决密集人群检测中遮挡设计的损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-24 470
组合改进创新点篇：遮挡损失函数Repulsion Loss + NWDLoss｜ Repulsion 解决目标遮挡场景下的目标检测，为解决密集人群检测中遮挡设计的损失函数
YOLOv4-MaskDetection：使用YOLOv4进行遮罩检测
02-16
Yolov4用于遮罩检测 使用Darknet和OpenCVYolov4遮罩检测 目录 关于该项目 遮罩检测 入门 要启动并运行本地副本，请遵循以下简单步骤。 先决条件 这是一个如何列出使用软件所需的内容以及如何安装它们的示例。 * Python 3.x： * numpy pip install numpy * openCV 对于Window： : pip install opencv-python 对于Raspberry 4，出于对上帝的爱，请访问以下链接： : 安装 克隆仓库 git clone https://github.com/TienTruong98/Hackathon 设置迈来芯MLX90640的库 Check if the MLX90640 sensor is working correctly (see if the number 33 appear)
repulsion_loss
05-19
排斥力 目前还没有稳定的结果，使用IOU过滤框有些麻烦正在进行中
repulsion_loss_ssd:排斥力损失
05-18
使用SSD实施排斥力损失 从，该文件是Wei Wei，Dragomir Anguelov，Dumitru Erhan，Christian Szegedy，Scott Reed，Cheng-Yang和Alexander C.Berg于2016年发表的论文的的实现。 官方的和原始的Caffe代码可以在找到。 目录 安装 通过在网站上选择您的环境并运行适当的命令来安装PyTorch 。 克隆此存储库。 注意：我们目前仅支持Python 3+。 然后按照以下说明下载数据集。 现在，我们支持Visdom在培训期间进行实时损失可视化！ 要在浏览器中使用Visdom，请执行以下操作： # First install Python server and client pip install visdom # Start the server (probably in a screen or tm
芒果YOLOv8组合改进172：改进遮挡损失函数Repulsion Loss +Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-11 1414
YOLOv8组合改进：改进遮挡损失函数Repulsion Loss +Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升
repulsion-loss
weixin_34267123的博客
09-24 479
行人检测中的mr，fppi这些指标？？？   3种距离：欧式距离、SmoothL1距离、IoU距离   总的loss公式：3个部分组成Lattr是预测框和匹配的gt尽可能接近，Lrepgt是预测框和周围没匹配的gt尽可能远离 ,Lrepbox是预测框和周围的其他预测框尽可能远离 整体上loss的计算是针对每个正样本的预测框 p+是所有的正样本proposal的集合 Lattr是为了公平的对比，...
YOLOv4与Repulsion Loss的实现。
安卓 高通 bsp ，同行欢迎交流
04-27 1433
写在前面 效果很差，贴张完整截图。原因是因为Repulsion Loss并不适用一阶段检测器。更多分析请参考这篇我对论文的解读。 https://blog.csdn.net/weixin_40557160/article/details/116174316 github地址：https://github.com/SpongeBab/darknet ...
Repulsion loss的详细理解
Aced96的博客
09-28 5912
本文由同济大学和北京大学合作发表于CVPR2018，聚焦于loss层面，为遮挡情况下的行人检测问题提供了一种行之有效的解决方案。 论文：https://arxiv.org/abs/1711.07752 一、问题提出 1.行人遮挡会造成什么问题 当我们在做行人检测时，人与人之间会存在互相遮挡。遮挡会造成2个问题： 1.设红色框为目标框T（man）的预测框P，旁边也有个真实框B（woman），我们的P可能会被往B去移动（shift）。 2.检测器对NMS的阈值的选取更为敏感。如果NMS阈值选取过小，周围的目标.
Repulsion Loss解决行人遮挡问题
码农ZZK的博客
08-30 2129
介绍 本文是旷视研究院CVPR2018上的一篇工作，在检测行人任务中，由于行人之间互相遮挡，导致传统的检测器容易受遮挡的干扰，给出错误的预测框。 研究人员先是从数据集上进行分析，定量描述了遮挡对行人检测带来的影响。后面受吸引，排斥的启发，提出了Repulsion Loss来尽可能让预测框贴近真实框的同时，又能与同类排斥，进而避免误检。 问题引入 常见的遮挡问题可以再被细分为主要两类 类间遮挡，即目标被其他类遮挡住。举个例子，一个行人遛狗，人体下半部分就可能被狗狗遮住 类内遮挡，目标物体被同类遮挡住，
从损失函数解决关于密集遮挡人群的检测问题
baolinq的博客
05-22 2464
关于密集遮挡的行人检测 行人检测是计算机视觉领域的一个重要研究课题，在自动驾驶，视频监控和机器人等各种应用，旨在预测一系列行人实例的边界框。实际上，在现实生活中的复杂情景中，遮挡是行人检测的最重要挑战之一，尤其是在拥挤的场景中。例如在CityPersons数据集中48.8 ％行人其它行人互相遮挡。以前的方法只要求每个预测的边界框都接近其指定的GT，而不考虑它们之间的关系。因此，它们使得检测器对拥...
yolov7损失函数的作用
08-28
- *1* *3* [YOLOv7原创改进损失函数Repulsion：独家首发最新改进Repulsion Loss解决目标遮挡场景下检测，为解决密集...](https://blog.csdn.net/qq_38668236/article/details/131051154)[target="_blank" data-...
评论 3
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