Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression （论文阅读笔记）

已于 2024-06-02 09:40:54 修改
阅读量5.9k 收藏 56
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 论文阅读笔记 文章标签： 机器学习 深度学习
于 2021-11-24 20:36:00 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/wjytbest/article/details/121513560
本文提出了一种新颖的PowerIoU系列Loss，即α-IoU，针对目标检测中的bbox回归问题。通过引入幂次IoU项和正则项，α-IoU在保持IoU损失关键性质的同时，能自适应调整对高IoU目标的关注度，显著提升精度。实验结果表明，α-IoU在多种模型和基准数据集上表现出色，尤其在小数据集和噪声场景中展现出更强的鲁棒性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在这里插入图片描述

摘要

Bounding box（bbox）回归是CV中的一项基本任务，最常用的损失函数是IOU Loss 和相关变体。文章将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，它具有一个幂次IoU项和一个附加的幂次正则项。这种新的损失系列为α-IoU Loss。
在多个目标检测基准和模型上的实验表明，α- iou损失

  1. 可以显著的超过现有的基于iou的损失;
  2. 通过调节α，使探测器更灵活地实现不同水平的bbox回归精度;
  3. 对小数据集和噪声的鲁棒性更强。

一、介绍

目标检测通常包含分类预测和回归预测（bounding box的预测）。早前的bbox回归采用的是L_n范式，最近的相关工作则直接采用IOU Loss作为定位损失。

IOU Loss损失对bbox scales是不变的，所以能够更好的训练检测器，但是当预测框和真实框没有重叠的时候存在梯度消失的问题，从而导致降低收敛速度和检测精度。所以就有了IOU Loss的相关变体： Generalized IoU (GIoU), Distance-IoU (DIoU) and Complete IoU (CIoU)。

GIoU在IoU loss 中加入了惩罚项来减轻梯度消失的问题，DIoU和CIoU在惩罚条件下考虑了预测框和真实框之间的中心点距离和长宽比。

文章对现有的基于IoU Los采取幂变换提出了一个新的IoU losser family：
在这里插入图片描述
并且通过实验发现，在大多数情况下，取α=3的效果最好。

最低0.47元/天 解锁文章

200万优质内容无限畅学
NeurIPS 2021 助力YOLOv5涨点 Alpha-IoU：IoU Loss大一统
jacke121的专栏
11-13 3899
经过测试，代码与Yolov5基本一致， 模型也是14m，精度没有大幅明显提升。 Alpha-IoU:A Family of Power Intersection over Union Losses for Bounding Box Regression论文：https://arxiv.org/abs/2110.13675 代码：https://github.com/Jacobi93/Alpha-IoU 在本文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该..
目标检测中的Bounding Box Regression Loss
mingo_敏
05-10 4614
Bounding Box Regression Loss PyTorch: https://github.com/shanglianlm0525/CvPytorch 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演变过程 Smooth L1 Loss 优点： 缺点： Focal Loss 优点： 缺点： Io
【目标检测】31、Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression
呆呆的猫的博客
08-15 2138
norm loss，其二是 IoU loss。IoU-based loss 从 IoU 到 GIoU，再到 DIoU 和 CIoU，在逐步改进，但形式过多，太过繁杂，每种形式都有其各自的优缺点。有了上面的形式后，作者对不同的 IoU-based 方法做了如下形式的统一，其实这些 IoU-based loss 都可以看做是。可视化了在 PASCAL 上使用不同 IoU loss 得到的框和真实框的 IoU 分布，经过了阈值为 0.5 的 NMS。的关系，图 1 右侧展示了 IoU 和梯度模值的关系。.....
NeurIPS 2021 | 助力YOLOv5涨点！Alpha-IoU：IoU Loss大一统
阿木寺的博客
11-09 8723
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童Alpha-IoU:A Family of Power Intersection over Union ...
Alpha-IoU：提升目标检测精度的利器
gitblog_00738的博客
09-12 397
Alpha-IoU：提升目标检测精度的利器 项目介绍 Alpha-IoU 是一个基于 YOLOv5 的开源项目，专注于通过引入 Alpha-IoU 损失函数来提升目标检测的精度。该项目在 PyTorch 框架下实现了 YOLOv5 与 Alpha-IoU 损失函数的结合，并通过实验证明了 Alpha-IoU 在目标定位和检测性能上的显著提升。 项目技术分析 技术背景 目标检测是计算机视觉领域的一个...
一文读懂IoU，GIoU, DIoU, CIoU, Alpha-IoU (代码非常优雅)
gy77
04-27 4499
IoU就是就是我们说的交并比 Intersection over Union ，具体就是两个box的交集除以并集。 当我们计算我们的anchors 或者 proposals 与 ground truth bounding boxes 的损失的时候，就需要用到IoU。不同的IoU有不同的特性。 IoU： IoU计算了最简单的情况： GIoU： 当两个anchor与gt box都不相交的时候，IoU的loss是一样大的，我们理论认为anchor距离gt box越近，loss应该越小，不应
CVPR2019:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
qq_40962619的博客
03-24 751
摘要 Intersection over Union (IoU) is the most popular evaluation metric used in the object detection benchmarks. However, there is a gap between optimizing the commonly used distance losses for regress...
涨点技巧：IOU篇---Yolov8引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
04-17 5640
IOU篇---Yolov8代替默认的CIOU,引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 7925
目标检测算法——助力涨点 | YOLOv5改进结合Alpha-IoU
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
06-22 7482
论文题目：《Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression》论文地址：https://arxiv.org/abs/2110.13675v2文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列具有一个Power IoU项和一个附加的Power正则项，具有单个Power参数α。称这种新的损失系列为α-IoU Loss。在多目标检测基准和模型上的实
α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统
3D视觉工坊
11-03 3278
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG编辑丨集智书童在本文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列...
各种IOUloss的pytorch实现
weixin_38241876的博客
11-24 4237
def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to box2. box1 is 4, box2 is nx4 box2 = box2.t() # Get the coordinates of bounding boxes if x1y1x2y2: # x1, y1, x2, y2 = box1 b.
目标检测损失函数（二）DIOU、CIOU、ALPHA IOU
wuhao1205的博客
05-10 5705
在前文中讨论了IOU与GIOU。 http://t.csdn.cn/sqcPdhttp://t.csdn.cn/sqcPd
Alpha-IoU 开源项目使用教程
gitblog_00001的博客
09-12 312
Alpha-IoU 开源项目使用教程 1、项目介绍 Alpha-IoU 是一个用于目标检测的损失函数库，旨在通过引入 Alpha 参数来扩展和改进传统的 IoU（Intersection over Union）损失函数。该项目在 NeurIPS 2021 上发表，并提供了对现有 IoU-based 损失函数的统一扩展形式。Alpha-IoU 通过调整 Alpha 参数，可以更好地适应不同的目标检测...
【魔改YOLOv5-6.x（4）】结合EIoU、Alpha-IoU损失函数
weixin_43799388的博客
04-14 1万+
文章目录前言EIoU论文简介加入YOLOv5Alpha-IoU论文简介加入YOLOv5References 前言 本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析 想要尝试改进YOLOv5-6.1的同学，可以参考以下几篇博客： 【魔改YOLOv5-6.x（上）】结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet 【魔改YOLOv5-6.x（中）】加入ACON激活函数、CBAM和CA
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
热门推荐
路人贾的博客
06-20 4万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
目标检测回归损失函数 IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析
weixin_38353277的博客
02-08 3487
目标检测回归损失函数 IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析
YOLOV8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU.
qq_69854365的博客
08-16 1766
将原代码替换为其他计算的方法。
YOLOv5改进实战 | 更换损失函数（一）之EIoU、Alpha-IoU、SIoU篇
w94ghz的博客
09-18 1万+
损失函数Alpha IoU
最新发布
01-03
In the context of object detection and segmentation within machine learning, the Alpha Intersection over Union (Alpha IoU) loss function represents an advanced metric designed to improve upon ...
评论 5
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
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