伪交并比:改进基于锚点无监督目标检测中标签分配
本文提出了一种新的锚点分配策略,通过模型的学习状态自适应地将锚点分成正样本和负样本,实现概率推理,并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层,并且不需要每个位置多个锚点,因此非常高效。
Jul, 2020
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
本研究主要关注物体检测领域中最受欢迎的衡量标准之一的交并比(IoU),提出了一种广义的 IoU(GIoU)作为新的回归损失和度量方式,并将其应用于现有的物体检测框架中,在 PASCAL VOC 和 MS COCO 等常见的物体检测基准测试中取得了一致的性能提升。
Feb, 2019
本文提出了一种 IoU 感知的单级目标检测器来提高模型的定位准确性,通过将分类分数和预测的 IoU 相乘来计算最终检测可信度,该方法在 COCO 和 PASCAL VOC 数据集上都取得了较好的实验结果。
Dec, 2019
本研究提出了一种基于半监督学习的 3D 目标检测方法,通过教师 - 学生的互相学习机制传播信息,结合置信度过滤和 3D IoU 定位度量,实现了在室内外场景下进行更有效、精确的目标检测,提升了现有方法的表现。
Dec, 2020
提出了一种新的细分评估标准 Boundary IoU,能更好地度量细节的效果,提出了新的评估指标 Boundary AP 和 Boundary PQ,并且通过实验证明了其优于常用的 Mask IoU-based evaluation metrics。
Mar, 2021
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
通过 Ego-Centric Intersection-over-Union (EC-IoU) 度量,提出一种面向安全的目标检测方法,以解决在自动驾驶等安全关键领域使用先进学习感知模型时的实际问题。在 KITTI 数据集上的实验结果表明,基于 EC-IoU 训练的模型在平均准确率方面优于基于 IoU 训练的变体。
Mar, 2024
提出了一种针对目标检测中的边界框回归问题的新算法 DIoU Loss,通过加入距离项和三个几何因素(覆盖区域、中心点距离和长宽比),构建了更好的评价指标 CIoU Loss,并将 DIoU Loss 和 CIoU Loss 应用到现有的目标检测算法中,显著提高了性能。
Nov, 2019
本文提出了一种新的损失函数 ——Smooth IoU,用于直接优化边界框的交并比,在多个数据集上显示出比标准的 Huber 损失更好的性能表现,该方法可应用于物体检测问题,使用卷积神经网络进行训练。
Apr, 2023