一种面向微小目标检测的归一化高斯瓦瑟斯坦距离

Oct, 2021

一种面向微小目标检测的归一化高斯瓦瑟斯坦距离

A Normalized Gaussian Wasserstein Distance for Tiny Object Detection

Jinwang Wang, Chang Xu, Wen Yang, Lei Yu

TL;DR本文提出了一种基于 Wasserstein 距离的检测器优化方法，用于检测微小目标，该方法通过将边界框建模为 2D 高斯分布并计算它们之间的相似度，取代了常用的 IoU 度量标准，能够在新的 AI-TOD 数据集上取得比现有方法高 6.0 AP 点的性能

Abstract

Detecting tiny objects is a very challenging problem since a tiny object only contains a few pixels in size. We demonstrate that state-of-the-art detectors do not produce satisfactory results on tiny objects due to the lack of appearance information. Our key observation is that intersection o

tiny object detection intersection over union wasserstein distance 2d gaussian distribution normalized wasserstein distance

发现论文，激发创造

在航拍影像中检测微小物体：一种归一化 Wasserstein 距离与新基准

提出了一种新的针对小目标检测的评价指标及排序策略，能够显著提升标签赋值和模型训练，并在 AI-TOD-v2 数据集上达到了比现有方法约 4.3 个 AP 值的改善。

Jun, 2022

用高斯瓦瑟斯坦距离重新思考旋转物体检测

本文提出了一种基于高斯 Wasserstein 距离的新型回归损失函数作为解决旋转检测回归损失设计中边界不连续性和其对最终检测度量的不一致性的基本方法，通过将旋转包围盒转换为 2D 高斯分布来实现，具有高斯 Wasserstein 距离（GWD）可以通过梯度反向传播高效地学习的优势。GWD 可以在没有重叠的情况下学习，即使对于小物体检测也经常如此。GWD 具有三个独特的属性，可以优雅地解决边界不连续性和类方形问题，无论包围盒如何定义。在使用不同检测器的五个数据集上的实验证明了我们方法的有效性。

Jan, 2021

基于相似度距离的微小目标检测标签分配

提出了一种简单而有效的策略，名为相似距离（SimD），用于评估边界框之间的相似性，不仅考虑位置和形状相似性，还自适应学习超参数，确保适应不同数据集和各种物体尺寸。在四个主流小目标检测数据集上进行了广泛实验，证明了我们方法的卓越性能，特别是在 AI-TOD 上，比当前最先进的竞争者提高了 1.8 个 AP 点和 4.1 个 AP 点。

Jul, 2024

面向定向物体检测的边缘瓦瑟斯坦距离损失

回归损失设计是面向对象检测的一个重要课题，由于角度的周期性和宽度和高度定义的不确定性，传统的 L1 距离损失及其变种一直以来都面临着度量不连续和类似于方形的问题，分布基方法则通过将有方向的框表示为分布而显示出显著优势，我们提出了一种新颖的有方向回归损失，Wasserstein 距离（EWD）损失，以缓解类似于方形的问题。同时，基于有方向框的边缘表示，EWD 损失可以推广到四边形和多项式回归场景，对多个常用数据集和不同的检测器的实验表明了该方法的有效性。

Dec, 2023

伪交并比：改进基于锚点无监督目标检测中标签分配

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

应用于对抗学习和域自适应的混合分布归一化 Wasserstein 距离

本文研究通过引入归一化 Wasserstein 度量来解决不平衡混合比例问题，并将其应用于生成模型、域自适应和聚类等多个领域，表现出显著的性能提升。

Feb, 2019

基于 Wasserstein 距离的稀疏潜在区域扩展检测未知类别

本文提出了一种在开放集目标检测（OSOD）中解决目前状态良好的检测器将未知对象错误分类为已知类别的高置信度的显著挑战。我们提出了一种新颖的方法，在潜在空间中通过区分高密度和低密度区域来有效识别未知对象。我们的方法建立在 Open-Det（OD）框架的基础上，在损失函数中引入两个新元素。这些元素增强了已知嵌入空间的聚类能力，并扩展了未知空间的低密度区域。第一个新增的元素是类 Wasserstein 锚（CWA），一种用于细化分类边界的新函数。第二个新增的元素是谱归一化步骤，提高了模型的鲁棒性。这些对现有的对比特征学习器（CFL）和未知概率学习器（UPL）损失函数的改进显著提高了 OSOD 性能。我们提出的 OpenDet-CWA（OD-CWA）方法在各种开放集场景中展示了：a）开放集错误减少了约 17%-22%，b）新颖性检测能力提高了 1.5%-16%，c）荒野指数降低了 2%-20%。这些结果对该领域表示了重大进展，并展示了我们的方法在处理开放集目标检测复杂性方面的潜力。

Jan, 2024

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

高斯边界框和概率交并比在目标检测中的应用

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。

Jun, 2021

NIV-SSD: 邻居 IoU 投票单阶段点云目标检测器

提出了一种解决单阶段检测器中的定位准确性与分类置信度不匹配的问题的新方法，命名为邻居 IoU 投票（NIV）策略。通过计算来自回归输出的两种类型的统计数据来修正分类置信度，作为分类和回归分支之间的桥梁。并且，通过随机变换易对象的一部分为难对象，提出了一种名为对象重新采样的新数据增强方案，以减轻对完整对象和不完整对象的检测准确性不平衡的影响。结合 NIV 策略和对象重新采样增强，设计了一种高效的单阶段检测器 NIV-SSD。在多个数据集上的广泛实验表明了 NIV 策略的有效性和 NIV-SSD 检测器的竞争性能。

Jan, 2024