ECCVJul, 2022

单阶段三维物体检测中基于 IoU 的优化的再思考

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • FPDIoU Loss: 旋转目标检测中高效边界框回归的损失函数

    提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有损失函数的性能。

    May, 2024

  • 3DIoUMatch: 利用 IoU 预测实现半监督 3D 物体检测

    本研究提出了一种基于半监督学习的 3D 目标检测方法，通过教师 - 学生的互相学习机制传播信息，结合置信度过滤和 3D IoU 定位度量，实现了在室内外场景下进行更有效、精确的目标检测，提升了现有方法的表现。

    Dec, 2020

  • 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

  • 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

  • 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

  • 物体检测的解耦交并比回归

    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。

    Feb, 2022

  • 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

  • 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

  • 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