基于 IoU 的单阶段目标检测器实现准确定位
研究单阶段物体检测器的损失函数对定位准确性的影响,并提出有关 IoU 平衡的损失函数以解决该问题,在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验,证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。
Aug, 2019
本文介绍了一种名为 CIA-SSD 的新型单级检测器,它通过自适应融合高级抽象语义特征和低级空间特征进行准确的边界框和分类置信度预测,并在此基础上设计了 IoU-aware 置信度矫正模块和 Distance-variant IoU-weighted NMS 模块来改善定位准确度与分类置信度一致性,并在 KITTI 测试集中进行了 3D 汽车检测实验,性能优于所有先前的单级检测器,公开了代码。
Dec, 2020
本文提出了一种 CNN 方法,名为 IoU-Net,以预测物体检测边界框的 IoU 值,使得模型具有定位置信度,进而提高非极大值抑制算法(NMS)的精度,在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。
Jul, 2018
本研究提出了 Pseudo-Intersection-over-Union (Pseudo-IoU) 指标,通过将其融入端到端单级别无锚点物体检测框架,可以实现更加标准化和准确的规则分配,从而提高 PASCAL VOC 和 MSCOCO 等常规物体检测基准测试的性能。
Apr, 2021
提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法,用于提高物体检测中的定位精度,并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高,同时计算和推断的成本几乎没有增加。
Dec, 2021
通过提出 Decoupled IoU Regression (DIR) 模型,将 IoU 按照纯度和完整度两个维度拆分为两个更加清晰的映射以分别处理,同时引入特征对齐提升稳定性。结果显示 DIR 可用于现有的两步检测器并且显著提高它们的性能,并在 MS COCO 基准测试中获得了 51.3% 的 AP,达到了最先进水平。
Feb, 2022
提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法,使用了 3D IoU-Net 进行特征学习和准确性预测,并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性,实验结果表明,该方法在 KITTI car detection benchmark 上达到了最先进水平。
Apr, 2020
本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD),通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD,提高了其对于局部和语义信息的分析能力,解决了特征抽取和非极大值抑制两个关键问题,进而在行为检测中取得了优异的表现。
Oct, 2022
本文提出一种新的旋转解耦 IoU (RDIoU) 方法,通过将旋转变量作为独立项来简化回归参数的复杂交互,并在回归和分类分支中应用 RDIoU,从而可以提高单级 3D 目标检测的准确性和稳定性,并在 KITTI 和 Waymo 开放数据集的广泛实验中验证,此方法可以带来相当大的改进。
Jul, 2022
本文提出了新的 Iou-aware Classification Score (IACS)、Varifocal Loss 以及 star-shaped bounding box feature,建立了基于 FCOS+ATSS 体系结构的 IoU-aware dense object detector VarifocalNet (VFNet),在 MS COCO 数据集上进行了广泛实验,其效果表现出了明显的优势。
Aug, 2020