MMFeb, 2022

物体检测的解耦交并比回归

PDF
TL;DR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。
发现论文，激发创造
  • 获取定位置信度以实现准确目标检测

    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

  • 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

  • 使用 Fitness NMS 和有界 IoU Loss 来提高对象定位

    通过引入 Fitness NMS 和基于 IoU 的 bounding box 回归损失，结合 RoI 聚类，改进了 DeNet 的图像目标检测，显著提升了 Mean Average Precision（MAP），在 MSCOCO 数据集中 MAP 可达 33.6%@79Hz 和 41.8%@5Hz。

    Nov, 2017

  • 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

  • 一种系统的 IoU 相关方法：超越简单回归以获得更好的定位

    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

  • 3D IoU-Net: 基于 IoU 的点云三维物体检测器

    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

  • 基于 IoU 的单阶段目标检测器实现准确定位

    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

  • 提高几何要素在对象检测和实例分割的模型学习和推理中的作用

    本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

    May, 2020

  • 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