💡💡💡本文独家改进:更加聚焦的IoU损失Focaler-IoU,能够在不同的检测任务中聚焦不同的回归样本,使用线性区间映射的方法来重构IoU损失
二次创如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等
论文:https://arxiv.org/pdf/2401.10525.pdf
摘要:边框回归在目标检测领域起着至关重要的作用,而目标检测的定位精度很大程度上取决于边框回归的损失函数。现有研究通过利用边框之间的几何关系来提高回归性能,而忽略了样本难易分布对边框回归的影响。在本文中,我们分析了难易样本分布对回归结果的影响,然后提出Focaler-IoU,通过关注不同难易的回归样本,可以提高检测器在不同检测任务中的性能。最后,针对不同的检测任务,使用现有的先进检测器和回归方法进行对比实验,使用本文提出的方法进一步提高了检测性能。
本文分析:
在各种目标检测任务中都存在着样本不平衡的问题,根据目标检测的难易程度可以分为困难样本和简单样本。从目标尺度分析的角度来看,一般的检测目标可视为简单样本,而极小的目标由于难以精确定位,可视为困难样本。对于以简单样本为主的检测任务,在边界盒回归过程中关注简单样本有助于提高检测性能。相比之下,对于难度样本比例较高的检测任务,需要重点关注难度样本的边界盒回归。
如图所示:(a)和(b)分别表示困难样本和简单样本的线性区间映射曲线。
Focaler-IoU
为了专注于不同的回归样本,能够专注于不同的检测任务,我们使用线性区间映射方法来重建IoU损失,这允许改进边缘回归。公式如下:
其中IoUfocaler是重构后的focer -IoU, IoU是为原IoU值,[d, u]∈[0,1]。通过调整d和u的值,我们可以使IoUfocaler关注的焦点不同回归样本。其损失定义如下:
IoU的边界盒回归损失函数,分别为LFocaler−GIoU、LFocaler−DIoU、LFocaler−CIoU、LFocaler−EIoU和LFocaler−SIoU如下:
实验结果分析
PASCAL VOC数据集是目标检测领域最流行的数据集之一,本文使用VOC2007和VOC2012的训练集和val作为包含16551张图像的训练集,使用VOC2007的测试集作为包含4952张图像的测试集。在本实验中,我们选择了最先进的单级检测器YOLOv8s和YOLOv7-tiny对VOC数据集进行对比实验,并选择SIoU作为实验的对比方法。实验结果见表1:
AI-TOD是遥感图像数据集,与一般数据集不同的是,它包含了大量的微小目标,目标的平均大小仅为12.8像素。本实验选择YOLOv5s作为检测器,对比方法为SIoU。实验结果如表二所示:
原理很简单,看论文公布实验结果还比较理想
核心代码:
iou = ((iou - d) / (u - d)).clamp(0, 1) #default d=0.00,u=0.95
By CSDN AI小怪兽
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。