在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov5添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion(IoU)ofbox1(1,4)t
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
yolo无痛涨点trick，简单实用 先贴一张最近一篇论文的结果后来的几种iou的消融实验结果在一定程度上要优于CIoU。 本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,D,G,E,S等）以及AlphaXIoU。 在yolov5的utils文件夹下新增iou.py文件importmathimporttorchdefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,SIoU=False,EIoU=False,WIoU=False,
yolo无痛涨点trick，简单实用 先贴一张最近一篇论文的结果后来的几种iou的消融实验结果在一定程度上要优于CIoU。 本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,D,G,E,S等）以及AlphaXIoU。 在yolov5的utils文件夹下新增iou.py文件importmathimporttorchdefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,SIoU=False,EIoU=False,WIoU=False,
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。一、L2-norm 最初的基于回归的BBR损失定义为L2-norm，L2-norm损失主要有两个缺点：1、边界框的坐标（以xt、xb、xl、xr的形式）被优化为四个独立变量。这个假设违背了对象的边界高度相关的事实。简单的分开计算每个变量的回归loss无法反映这种相关性，它会导致预测框的一个或两个边界非常接近GT，但整个边界框是不满足条件的。2、这种形式的损失函数并不能屏蔽边界框大小的干扰，使得
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。一、L2-norm 最初的基于回归的BBR损失定义为L2-norm，L2-norm损失主要有两个缺点：1、边界框的坐标（以xt、xb、xl、xr的形式）被优化为四个独立变量。这个假设违背了对象的边界高度相关的事实。简单的分开计算每个变量的回归loss无法反映这种相关性，它会导致预测框的一个或两个边界非常接近GT，但整个边界框是不满足条件的。2、这种形式的损失函数并不能屏蔽边界框大小的干扰，使得
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
论文地址：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanismGitHub：https://github.com/Instinct323/wiou摘要：目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EI
滤波算法——均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波因工作涉及到数据滤波(滤噪)处理，汇总了一些网上简单的滤波算法，方便日后查看。滤波算法包括：均值滤波，中值滤波，一阶(αβ)滤波，卡尔曼滤波。本文主要是处理线性数据y=ax+b，对于非线性数据，简单的滤波算法效果有限。滤波算法都有自己的局限，针对不同问题需要选择合适的方法。以下使用python实现简单demo，主要是方便画图。为了方便，本文使用jupyternotebook直接导出markdown生成。建立测试数据真值y=0.003*x观测值加上随机白噪声importrandomimportmathimportnumpyasnpimp
