物体检测的解耦交并比回归
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
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
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
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
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
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
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
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