Dec, 2021

一种系统的 IoU 相关方法：超越简单回归以获得更好的定位

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 单阶段目标检测的 IoU 平衡损失函数

    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

  • 重新思考小目标检测在少样本环境中的交并比

    在少样本目标检测领域中，使用 SIoU 作为评估标准可以构建更加用户导向的模型，在小物体检测方面表现优秀，并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。

    Jul, 2023

  • 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

  • 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

  • 单阶段三维物体检测中基于 IoU 的优化的再思考

    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

  • 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