一文读懂目标检测中的各种IoU损失函数

已于 2022-08-15 09:47:34 修改
阅读量2.2k 收藏 10
点赞数
CC 4.0 BY-SA版权
分类专栏： 自动驾驶与深度学习 文章标签： 目标检测 计算机视觉 深度学习
于 2022-06-10 21:51:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44613415/article/details/125228647

一文读懂目标检测中的各种IoU损失函数

本文首发于微信公众号【DeepDriving】，欢迎关注。

导读

随着深度学习技术的发展，在视觉目标检测领域出现了越来越多优秀的算法模型，比较典型的有以Fast-RCNN系列为代表的二阶段目标检测算法和以YOLO系列为代表的一阶段目标检测算法。通常，一个目标检测任务需要完成两个子任务：目标定位和目标分类。目标定位是要在图像中确定目标的位置，输出其在图像中的坐标信息；目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度。

在这里插入图片描述

目标定位依赖一个边界框回归模块去定位目标。边界框回归是目标检测中的一种主流技术方法，该方法使用矩形边界框去预测目标对象在图像中的位置，旨在细化预测边界框的位置。边界框回归使用预测边界框和真实边界框(Ground-Truth)之间的重叠区域作为损失函数，称为基于交并比(Intersection over Union，IoU)的损失函数。

IoU损失函数

IoU指的是预测边界框与真实边界框的交集与并集之比：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
一文读懂Anchor-Free目标检测：CenterNet原理与代码实现
AI架构师小马
07-16 712
调参复杂：Anchor的尺寸、比例需人工经验设定，不同数据集效果差异大；计算冗余：需计算Anchor与真实框的交并比（IoU），浪费算力。本文聚焦Anchor-Free的代表算法CenterNet，讲解其“无Anchor、直接回归目标中心”的创新思路，覆盖原理、数学模型、代码实现及实战应用。本文从“生活故事”引出核心概念，逐步拆解CenterNet的“热力图定位中心”“宽高回归”等关键模块，结合PyTorch代码实现细节，最后给出实战案例与未来趋势分析。关键点检测：将目标检测转化为“找中心点”问题。
目标检测 | 一文读懂YOLO系列算法（从YOLOv1到YOLOv8）
突然好想你
09-29 2115
YOLO（You Only Look Once）系列算法是一种目标检测算法，主要用于实时物体检测。相较于传统的目标检测算法，YOLO具有更快的检测速度和更高的准确率。本节课就给大家重点介绍下YOLO系列算法，希望大家学习之后能够有所收获！
目标检测学习笔记
weixin_41870056的博客
12-22 636
标检测学习笔记（三、深入篇）5 损失函数5.1 匹配策略（Matching Strategy）5.2 损失函数3.3 难例挖掘（Hard Negative Mining） 本篇续上一篇，继续学习目标检测相关知识。笔记仅为巩固个人学习效果、督促自我进步用，若有读者发现不正确的地方请不吝指教。 参考链接：https://datawhalechina.github.io/dive-into-cv-pytorch/#/?id=dive-into-cv-pytorch 5 损失函数 5.1 匹配策略（Matching
目标检测--损失函数
Cai_Xu_Kun的博客
04-27 1013
仅作个人学习，侵权删。 大部分来自：https://zhuanlan.zhihu.com/p/35709485. 损失函数分类1、 Classification Error（分类错误率）2 、Mean Squared Error (均方误差)3 、Cross Entropy Loss Function（交叉熵损失函数）4 、Focal loss 损失函数分类 1.预测政治倾向例子 我们希望根据一个人的年龄、性别、年收入等相互独立的特征，来预测一个人的政治倾向，有三种可预测结果：民主党、共和党、其他党。假设
目标检测中的IoU损失函数
最新发布
qq_36892712的博客
05-14 598
IoU损失函数的演进体现了目标检测领域对几何关系建模IoU → GIoU：解决梯度消失问题；：引入距离惩罚，加速收敛；：细化长宽比优化，提升精度。讨论话题在您的实际项目中，哪种IoU损失效果最佳？对于旋转目标检测，如何改进IoU损失？
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 4201
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现
qq_40716944的博客
12-28 7455
IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。
CV目标检测-化劲儿-损失函数设计
Etc_in_the_great的博客
12-20 259
匹配策略 从ground truth boxes出发，寻找与每个ground truth boxes有最大的jaccard overlap(IOU)的proior bbox，这样就能保证每一个ground box一定与一个prior bbox对应起来。反之，若一个prior bbox没有与任何ground truth进行匹配，那么该prior bbox只能与背景匹配，就是负样本。 一个图片中ground truth是非常少的，而prior bbox却很多，如果仅按第一个原则匹配，很多prior bbox会
一文读懂目标检测中的数据集：PASCAL VOC与COCO
目标检测是指在图像或视频中，通过算法自动识别出图中包含的目标，并给出目标的位置和类别。传统的目标检测算法主要基于手工设计的特征和分类器，而近年来基于深度学习的目标检测算法取得了显著的进展，如Faster R-...
目标检测：一文读懂yolov5loss原理
09-03
目标置信度损失用于衡量预测的边界框与真实边界框之间的 IoU（Intersection over Union）之间的差异。Yolov5 使用 Binary Cross-Entropy 损失函数来计算目标置信度损失。它将预测的边界框是否包含目标与真实边界框...
损失函数
adminabcd的专栏
06-02 1442
今天看一篇论文时，碰到hinge loss，不知道是个什么东西，于是上网查了下，找到了一篇介绍loss function的英文文献（http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf），还不错，于是决定翻译下，方便以后用。1.损失函数的形式定义 由式（14.1）可知损失函数包括两部分：损
yolo v1 目标检测算法的损失函数详尽代码注解
05-02
应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。
目标检测算法之损失函数（IOU、GIOU、DIOU、CIOU、EIOU）
weixin_52862386的博客
06-26 2118
CIOU是在DIOU的基础上考虑了长宽比，许多目标检测任务中，物体的长宽比相对比较固定，那么将它们考虑进损失函数中，理论上是有利于回归框收敛的。GIOU是IOU的改进方式，它在IOU的基础上，考虑了俩个框之间的位置关系，同时也解决了IOU为0时难以优化的问题。IOU是衡量俩个目标框之间重叠程度的一个指标，常用于目标检测中，用于评估预测框的准确率。IOU损失的缺点有俩个，第一个是不能描述俩个框之间的距离关系，只能描述重叠面积。对于没有交集的框，IoU 的值为 0，这会导致梯度为 0，难以优化。
目标检测损失函数
alex1801
12-08 6601
损失由两部分组成，分别是类别误差损失以及定位误差损失。 1、分类损失 采用一个二分类的softmax loss用来做分类，分类损失如下： 其中，Sj为最后一层的softmax输出，T为类别数，yi为对应的真值标记。 2、smooth L1 Loss 常用的L1、L2损失定义如下： smooth L1 用来做回归，公式如下： 其中x、y、w、h分别为目标的中心点及宽高，ti为真值、ui为对...
目标检测中的损失函数
weixin_45760926的博客
01-20 974
目标检测中常见的损失函数
目标检测的损失函数
04-10 3836
IOU 预测与标注重叠的区域 / 预测与重叠的全部区域 AP(Average Precison)是计算具体某个类别的AP，相当于一个二分类问题，计算步骤如下： 先确定划分positive和negative的IoU阈值，预测的proposal与当前这个类别的GT的IoU大于阈值，则这个预测结果为positive（TP），否则为negative（FP） 平均计算所有类别的AP就是mAP AP 是衡量学习出来的模型在每一个类别上的好坏 会设置一个阈值 就是重合部分的占比是多少我们就认为是检测正确
目标检测之损失函数
pengxiang1998的博客
04-26 2254
损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。在目标检测领域，常见的损失分为分类损失和回归损失。
详解各种iou损失函数的计算方式（iou、giou、ciou、diou）
热门推荐
lovep1的博客
03-09 2万+
本文主要是理解各个回归损失函数的区别和改进，其实最主要的还是这些损失函数在yolo中起到了非常大的作用，包括从最原始的yolov3中引入，到v4、v5中变成真正的官方损失函数，确实很有效。本文将逐条分析这些损失函数，并不会按照论文结构来描述。
Wise-IoU损失函数在目标检测中的优缺点
05-05
Wise-IoU损失函数是一种新型的目标检测损失函数，它是基于交并比（IoU）的改进。相比传统的交叉熵损失函数，Wise-IoU损失函数可以更好地优化目标检测模型。以下是它的优缺点： 优点： 1. 对于难以区分的正负样本，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DeepDriving

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值