基于健壮相似性度量的多船追踪
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
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
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
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
本论文提出了一种名为 HIT 的分层 IoU 跟踪框架,通过利用 tracklet 间隔作为先验,实现统一的分层跟踪,并利用 IoU 进行关联,舍弃了繁重的外观模型、复杂的辅助线索和基于学习的关联模块,解决了关于目标尺寸、摄像机运动和分层线索的三个不一致问题,并在四个数据集上取得了良好的性能,为未来的跟踪方法设计提供了强大的基线,并证明了 HIT 可以与其他解决方案无缝集成。
Jun, 2024
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
该研究提出了一种名为 FishMOT 的新型鱼类多目标跟踪方法,该方法将目标检测技术与 IoU 匹配算法相结合,实现了高效、精确和稳健的鱼类检测和跟踪,显著减少了计算时间和存储空间。实验结果表明,该方法在各种评估指标上优于其他方法,速度更快,内存需求更低。
Sep, 2023
本文提出了一种新的评估协议,称为紧密感知交集联合(TIoU)度量,旨在解决现有度量的一些明显缺陷,并提供了一种简单有效的解决方案来同时识别文本线和单词检测,并通过实验表明他们的方法更紧密、更有利于识别,代码公开在此 https URL。
Mar, 2019
提出了一种新的多目标跟踪算法 ISU-Net, 其使用了迭代放大扩展 IoU 算法,能够有效跟踪非线性运动的目标,并相比其他算法,具有更低的计算成本
Jun, 2023