目录一、简介二、IoU（IntersectionoverUnion）三、GIoU（GeneralizedIoU）四、DIoU（Distance-IoU）五、CIoU(Complete-IoU)六、EIoU(Efficient-IoU)七、pytorch代码实现八、总结一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下
目录一、简介二、IoU（IntersectionoverUnion）三、GIoU（GeneralizedIoU）四、DIoU（Distance-IoU）五、CIoU(Complete-IoU)六、EIoU(Efficient-IoU)七、pytorch代码实现八、总结一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下
基于YOLOv5代码框架，结合不同模块来构建不同的YOLO目标检测模型。?本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分。?同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验,应用组合写论文！?该部分改进点为：CSDN博主：芒果汁没有芒果首发原创内容！！专栏读者有问题可以私信博主，看到了就会回复.本篇是《关于一系列NMS?》的修改演示包括：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIo
基于YOLOv5代码框架，结合不同模块来构建不同的YOLO目标检测模型。?本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分。?同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验,应用组合写论文！?该部分改进点为：CSDN博主：芒果汁没有芒果首发原创内容！！专栏读者有问题可以私信博主，看到了就会回复.本篇是《关于一系列NMS?》的修改演示包括：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIo
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
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU文章目录《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoUIoU出现背景什么是IoU？IoU发展历程GIoU（CVPR2019）DIoU（AAAI2020）CIoU（AAAI2020）EIoU（arXiv2021）αIoU（NeurlPS2021）SIoU（arXiv2022）各IoU源代IoUGIoUDIoUCIoUIoU出现背景目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU文章目录《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoUIoU出现背景什么是IoU？IoU发展历程GIoU（CVPR2019）DIoU（AAAI2020）CIoU（AAAI2020）EIoU（arXiv2021）αIoU（NeurlPS2021）SIoU（arXiv2022）各IoU源代IoUGIoUDIoUCIoUIoU出现背景目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数
