发表服务
论文提出了IoU-based的DIoUloss和CIoUloss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习
IOU论文：linkGIOU论文：linkDIOU论文：linkCIOU论文：link原始的IOU存在以下问题：一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归没有重叠，就始终为0，并且无法优化。
论文提出了IoU-based的DIoUloss和CIoUloss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习论文:Distance-IoULoss:Faster…
DIoU&CIoU论文中提出，GIoUloss仍然存在收敛速度慢、回归不准等问题。Inthispaper,weproposeaDistance-IoU(DIoU)lossbyincorporatingthenormalizeddistancebetweenthepredictedboxandthetargetbox,whichconvergesmuchfasterintrainingthanIoUandGIoUlosses.
DIoU的计算比IoU更复杂一些，这会降低运算效率。在保持NMS阈值不变的情况下，使用DIoU-NMS会导致每次迭代剩余更多的框，这会增加迭代轮数，进一步降低运算效率。(经本人实测，DIoU-NMS是TraditionalNMS起码1.5倍耗时)总结：
论文提出了两种新的IoU-based损失函数，DIoUloss和CIoUloss：DIoUloss最小化bbox间的中心点距离，从而使得函数快速收敛；CIoUloss则在DIoUloss的基础上加入长宽比的考量，能够进一步地快速收敛和提升性能。
二、DIOU-NMS注意：有读者会有疑问，这里为什么不用CIOU_nms，而用DIOU_nms?答：因为前面讲到的CIOU_loss，是在DIOU_loss的基础上，添加的影响因子，包含groundtruth标注框的信息，在训练时用于回归。
DIoU还可以替换普通的IoU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。实现代码：[3]四、CIoU(Complete-IoU)论文考虑到bbox回归三要素中的长宽比还没被考虑到计算中，因此，进一步在DIoU的基础上提出了CIoU。其惩罚项如下面
目标检测中IOUGIOUDIOUCIOU的理解IOU论文：linkGIOU论文：linkDIOU论文：linkCIOU论文：link原始的IOU存在以下问题：一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归没有重叠，就始终为0，并且无法优化。不能反映两框是怎么相交...
论文提出了IoU-based的DIoUloss和CIoUloss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习
IOU论文：linkGIOU论文：linkDIOU论文：linkCIOU论文：link原始的IOU存在以下问题：一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归没有重叠，就始终为0，并且无法优化。
论文提出了IoU-based的DIoUloss和CIoUloss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习论文:Distance-IoULoss:Faster…
DIoU&CIoU论文中提出，GIoUloss仍然存在收敛速度慢、回归不准等问题。Inthispaper,weproposeaDistance-IoU(DIoU)lossbyincorporatingthenormalizeddistancebetweenthepredictedboxandthetargetbox,whichconvergesmuchfasterintrainingthanIoUandGIoUlosses.
DIoU的计算比IoU更复杂一些，这会降低运算效率。在保持NMS阈值不变的情况下，使用DIoU-NMS会导致每次迭代剩余更多的框，这会增加迭代轮数，进一步降低运算效率。(经本人实测，DIoU-NMS是TraditionalNMS起码1.5倍耗时)总结：
论文提出了两种新的IoU-based损失函数，DIoUloss和CIoUloss：DIoUloss最小化bbox间的中心点距离，从而使得函数快速收敛；CIoUloss则在DIoUloss的基础上加入长宽比的考量，能够进一步地快速收敛和提升性能。
二、DIOU-NMS注意：有读者会有疑问，这里为什么不用CIOU_nms，而用DIOU_nms?答：因为前面讲到的CIOU_loss，是在DIOU_loss的基础上，添加的影响因子，包含groundtruth标注框的信息，在训练时用于回归。
DIoU还可以替换普通的IoU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。实现代码：[3]四、CIoU(Complete-IoU)论文考虑到bbox回归三要素中的长宽比还没被考虑到计算中，因此，进一步在DIoU的基础上提出了CIoU。其惩罚项如下面
目标检测中IOUGIOUDIOUCIOU的理解IOU论文：linkGIOU论文：linkDIOU论文：linkCIOU论文：link原始的IOU存在以下问题：一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归没有重叠，就始终为0，并且无法优化。不能反映两框是怎么相交...
发表服务