Jun, 2021

高斯边界框和概率交并比在目标检测中的应用

PDF
TL;DR本文探索一种使用高斯分布对物体区域进行模糊表示的方法，并提出了一种基于 Hellinger 距离的相似性度量方法，它可以被视为概率交集（ProbIoU），该方法在公开数据集中更接近于带注释的分割掩模。实验表明，基于 ProbIoU 的损失函数可以成功地用于回归高斯表示的参数，并且该论文提出了一种将传统（或旋转）边界框映射到高斯表示的简单映射方案。
object detectiongaussian distributionssimilarity measureprobabilistic intersection-over-unionloss functions
发现论文，激发创造
  • 广义交并比：一个边框回归的度量和损失函数

    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

  • Distance-IoU Loss: 用于边界框回归的更快、更好的学习方法

    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

  • 推测物体检测的空间不确定性

    本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型，并定义了一种新的概率边界框表示方法，进而提出了一种基于 Jaccard IoU 的新的评价指标，该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标， 对于概率目标检测器的评估具有高度准确性。

    Mar, 2020

  • 直接优化 IoU 以进行边界框定位

    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

  • G-Rep: 面向任意方向物体检测的高斯表示

    本文提出了一种称为 G-Rep 的统一高斯表示法，该法采用了高斯模型进行最优参数优化，可解决任意方向物体检测中由于特征不同引起的不准确性问题，该方法在多个公共数据集上均表现良好。

    May, 2022

  • SIoU Loss: 边界框回归的更强大学习

    本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

    May, 2022

  • Focaler-IoU：更聚焦的交并比损失函数

    通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

    Jan, 2024

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020

  • 将旋转物体检测为高斯分布及其三维泛化

    本文提出用高斯分布模型来检测旋转物体，通过使用 Kullback-Leibler 分布测度作为新的回归损失函数，能够有效提高检测性能，同时提出一种高效的基于高斯度量的标签分配策略。实验结果表明，这种方法在二维和三维图像中的性能优于其他方法。

    Sep, 2022

  • 2D/3D 目标检测的 IoU 损失

    该研究探究了 IoU 计算在旋转边框中的应用，并实现了 IoU loss 层，使得在 2D 和 3D 目标检测任务中均获得了 KITTI 基准测试上的一致性改进。

    Aug, 2019