程序员经验分享-hwhale

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

2023-10-26

摘要

边框回归是目标检测的关键步骤。在现有的方法中，虽然在边框回归中广泛采用了n范数损失，但并不是针对评价指标IoU进行定制的。近年来，人们提出了IoU损失和G-IoU损失两种可以有利于提升IoU指标的方法，但仍存在收敛速度慢、回归不准确等问题。在这篇论文中，通过合并预测框和目标框之间的归一化距离，我们提出了一种Distance -IoU损失，它在训练过程中比IoU和GIoU损失收敛得更快。此外，本文还总结了边界框回归中的三个几何因素：重叠面积，中心点距离和长宽比。在此基础上，提出了一个Complete IoU (CIoU)损失，从而可以更快的收敛并得到更好的性能。通过将DIoU和CIoU损失合并到最先进的目标检测算法中，例如YOLO v3、SSD和Faster RCNN，我们在IoU度量和GIoU度量方面都取得了显著的性能改善。另外，DIoU可以很容易的被引入到非最大抑制(non-maximum suppression, NMS)中作为判据，进一步促进了性能的提升。

创新点：

1. A Distance-IoU loss, i.e., DIoU loss, is proposed for bounding box regression,which has faster convergence than IoU and GIoU losses.

2. A Complete IoU loss, i.e., CIoU loss, is further proposed by considering three geometric measures, i.e., overlap area, central point distance and aspect ratio, which better describes the regression of rectangular boxes.

3. DIoU is deployed in NMS, and is more robust than original NMS for suppressing redundant boxes.

4. The proposed methods can be easily incorporated into the state-of-the-art detection algorithms, achieving notable performance gains.

开源项目：

https://github.com/Zzh-tju/DIoU

https://github.com/generalized-iou/g-darknet  

https://github.com/JaryHuang/awesome SSD FPN GIoU

https://github.com/generalized-iou/Detectron.pytorch

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

总结

yolo loss

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression 的相关文章

随机推荐

  • String的三种遍历方式

    include include using namespace std int main string s1 string s2 hello bite string s3 s2 1 for循环 for size t i 0 i lt s2

  • JUC学习系列十一（并发类容器）

    首先了解一下并发类容器和同步类容器的概念 以及这两类的区别 一 同步类容器 同步类容器都是线程安全的 但在某些场景下可能需要加锁来保护复合操作 复合类操作如 迭代 反复访问元素 遍历完容器中的所有元素 跳转 根据指定的顺序找到当前元素的下一

  • Android——WebView控件访问网页

    目录 一 WebView 1 基本使用 2 最简单的demo 3 注意 二 小练手 1 EditView补充内容 2 案例 一 WebView Webview 是一个基于webkit的引擎 可以解析DOM 元素 展示html页面的控件 我们

  • 前端基础，超全html常用标签大汇总

    标签 整个html文件都会放在html标签里面 标签 表示网页的头部信息 一般是为浏览器提供对应的网站需要的相关信息 浏览器中是不会显示的 比如 标题title 引入css 字符编码等 但是title标题会在浏览器的标题栏显示 标签 里面的

  • 服务器中毒怎么办，如何防御？

    数据中心在为用户提供服务器空间和网络服务时 往往也会为用户提供日常维护服务 用户在服务器运行使用中会突然就发现自己的服务器存在中毒和疑似中毒的现象 那么如何进行中毒行为的排查和清理 为用户提供日常维护服务的过程中经常听到用户抱怨自己使用的服

  • uniapp 选择地址

    uni getLocation OBJECT uni app官网 wx getSetting success res gt if res authSetting scope userLocation wx authorize scope s

  • 【Node】Deepin和Centos 简单快速安装Node和npm和pnpm

    1 deepin 进行安装 安装npm sudo apt install npm 安装node sudo npm install g n 升级node到稳定版 sudo n stable 升级到最新版 sudo n latest 升级npm

  • Databend Cloud 入选中国信通院《云原生产品目录》

    近日 在中国信通院召开的云原生产业大会上 正式发布了 2022 年度首批 云原生产品目录 Databend Cloud 产品成功入选 云原生产品目录 中国信通院为解决云原生用户选型困境 全面拉齐行业认知 推动云原生产业蓬勃发展 而发起 征集

  • pip install 安装路径的修改

    一般我们需要安装第三方库的时候 都是进入cmd中用pip命令来进行安装 安装各类包 但是默认安装路径在C盘 极大占用空间 下面我们就来修改一下默认的安装路径 1 查看pip默认的安装路径 打开命令提示符 win r 输入cmd 输入命令如下

  • 全国计算机二级WPS Office题库（四）

    根据最新考试大纲要求 结合近年来考试真题的重难点进行汇编整理组成的全真模拟试题 考生们可以根据文章进行专项训练 查漏补缺巩固知识点 我们对热点考题和重难点题目都进行了仔细的整理和编辑 相信考生在经过了针对性的刷题联系后 对于考试内容会更加有

  • tensorflow-gpu版本安装教程（过程详细）

    准备工作 在开始安装前 如果你的电脑装过tensorflow 请先把他们卸载干净 包括依赖的包 tensorflow estimator tensorboard tensorflow keras applications keras pre

  • myBatis 常见问题（一）查询结果字段为null

    问题描述 查询认购单详情

  • 使用python爬爬菜价

    第一步我们先导入需要用到的库 from requests html import HTMLSession import pymysql import json 然后打开网站 点击查看更多 点击下一页 发现网页地址栏没有变化 由此可知这是一个

  • rollup函数（分组后对每组数据分别合计）

    需求 sql通过分组查询后 对每组数据进行小计 然后对总的数据总计 rollup的作用 用 ROLLUP 汇总数据 在生成包含小计和合计的报表时 ROLLUP 运算符很有用 例子 SQL gt select deptno job sum s

  • C++红黑树(图文详解)

    原文链接 文章目录 红黑树简介 红黑树的性质 红黑树操作 旋转操作 插入 情况一 情况二 情况三 情况四 情况五 插入总结 删除 情况一 情况二 情况三 情况四 情况五 情况六 删除总结 总结 红黑树简介 红黑树是一种自平衡的二叉查找树 是

  • 【代码分享】分享基于openwrt的PandoraBox路由器的dnsmasq.conf配置代码

    注 该配置只有在同时开启ss的时候才可使用 5454是pdnsd的端口 介绍 除了热门网站和top100网站 其它的网址dns请求都转到5454端口转换成tcp请求通过ss解析 no resolv no poll server cn 114

  • C语言数组的增删改查

    总代码 该代码用c语言初步实现了数组的增删改查 include

  • 接收灵敏度dbm与W

    一 基本概念 接收灵敏度 官方概念 接收机能够识别到的 最低的电磁波能量 单位也是dBm 解读 接收灵敏度 就是你的耳朵能听到的最小的声音 耳朵灵敏度高的 能够听到很远的声音 例如 蓝牙接收灵敏度在 90dBm左右 2G接收灵敏度在 108

  • C++并发编程（一）：并发与并行，一个简单的多线程例子

    并发与并行 并发 多个任务可以同时存在 程序在逻辑上可以实现多个任务同时存在 那么这个程序就是并发程序 并发程序在物理实现上既可以是并行 也可以是串行 串行 单个处理器通过 任务切换 的方式 在一秒之内进行多次任务切换 给人一种任务并发的错

  • Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

    摘要 边框回归是目标检测的关键步骤 在现有的方法中 虽然在边框回归中广泛采用了n范数损失 但并不是针对评价指标IoU进行定制的 近年来 人们提出了IoU损失和G IoU损失两种可以有利于提升IoU指标的方法 但仍存在收敛速度慢 回归不准确等

热门标签