凡科免费网站可以做推广吗,怎么制作页面,成都响应式网站建,wordpress 离线发布今天看到一篇文章主要是提出了一种更有效的IOU度量方法#xff0c;论文地址在这里#xff0c;如下所示#xff1a; 摘要
边界盒回归损失作为检测器定位分支的重要组成部分#xff0c;在目标检测任务中起着重要作用。现有的边界框回归方法通常考虑GT框和预测框之间的几何关…今天看到一篇文章主要是提出了一种更有效的IOU度量方法论文地址在这里如下所示 摘要
边界盒回归损失作为检测器定位分支的重要组成部分在目标检测任务中起着重要作用。现有的边界框回归方法通常考虑GT框和预测框之间的几何关系并使用边界框的相对位置和形状来计算损失而忽略了边界框的形状和比例等固有特性对边界框回归的影响。为了弥补现有研究的不足本文提出了一种以包围盒本身的形状和尺度为重点的包围盒回归方法。首先我们分析了边界框的回归特性发现边界框本身的形状和比例因素会对回归结果产生影响。基于上述结论我们提出了Shape-IoU方法该方法可以通过关注边界框本身的形状和比例来计算损失从而使边界框回归更加准确。最后我们通过大量的对比实验验证了我们的方法结果表明我们的方法可以有效地提高检测性能并优于现有方法在不同的检测任务中达到最先进的性能。
作者也开源了对应的代码如下所示 def shape_iou(box1, box2, xywhTrue, scale0, eps1e-7): (x1, y1, w1, h1), (x2, y2, w2, h2) box1.chunk(4, -1), box2.chunk(4, -1) w1_, h1_, w2_, h2_ w1 / 2, h1 / 2, w2 / 2, h2 / 2 b1_x1, b1_x2, b1_y1, b1_y2 x1 - w1_, x1 w1_, y1 - h1_, y1 h1_ b2_x1, b2_x2, b2_y1, b2_y2 x2 - w2_, x2 w2_, y2 - h2_, y2 h2_ # Intersection area inter (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \ (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0) # Union Area union w1 * h1 w2 * h2 - inter eps # IoU iou inter / union #Shape-Distance #Shape-Distance #Shape-Distance #Shape-Distance #Shape-Distance #Shape-Distance #Shape-Distance ww 2 * torch.pow(w2, scale) / (torch.pow(w2, scale) torch.pow(h2, scale)) hh 2 * torch.pow(h2, scale) / (torch.pow(w2, scale) torch.pow(h2, scale)) cw torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1) # convex width ch torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1) # convex height c2 cw ** 2 ch ** 2 eps # convex diagonal squared center_distance_x ((b2_x1 b2_x2 - b1_x1 - b1_x2) ** 2) / 4 center_distance_y ((b2_y1 b2_y2 - b1_y1 - b1_y2) ** 2) / 4 center_distance hh * center_distance_x ww * center_distance_y distance center_distance / c2 #Shape-Shape #Shape-Shape #Shape-Shape #Shape-Shape #Shape-Shape #Shape-Shape #Shape-Shape #Shape-Shape omiga_w hh * torch.abs(w1 - w2) / torch.max(w1, w2) omiga_h ww * torch.abs(h1 - h2) / torch.max(h1, h2) shape_cost torch.pow(1 - torch.exp(-1 * omiga_w), 4) torch.pow(1 - torch.exp(-1 * omiga_h), 4) #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU #Shape-IoU iou iou - distance - 0.5 * ( shape_cost) return iou # IoU 关于Shape-IoU的详细内容可以自行移步阅读原论文这里我还没有详细去读。
后续找时间可以拿来这个Shape-IoU移植到yolo各个系列模型中来进行实验对比分析看看是否能在实际业务场景中带来有效地提升。
