当前位置: 首页 > news >正文

增加网站点击量微信广点通广告平台

增加网站点击量,微信广点通广告平台,空间网站链接怎么做,苏州工商注册代办前言 针对目标检测框Box(x1,y1,x2,y2)的回归学习中,网络损失函数从最早的IoU到GIoU,再到DIoU、CIoU和EIoU,现在出现了SIoU。那么他们都是什么呢?又由哪些优点? 正文 IOU就是交并比,预测框和真实框相交区…

前言

针对目标检测框Box(x1,y1,x2,y2)的回归学习中,网络损失函数从最早的IoU到GIoU,再到DIoU、CIoU和EIoU,现在出现了SIoU。那么他们都是什么呢?又由哪些优点?

正文

IOU就是交并比,预测框和真实框相交区域面积和合并区域面积的比值,计算公式如下:
优点:1、能够很好的反映重合度;2、具有尺度不变形
缺点:不相交时,值为0,无法反映中心距离

GIoU克服了两个框不相交时IoU恒为0,损失恒为1,没法优化的问题。

在这里插入图片描述
GIoU引入了一个最小闭包区的概念,即能将预测框和真实框包裹住的最小矩形框,其中,Ac为最小闭包区,u为预测框和真实框的并集,那么GIoU第二项的分子就是上图中白色区域,白色区域与最小闭包区的比值越高,loss越高。
GIoU具有以下特点:

  1. GIoU对scale不敏感
  2. GIoU是IoU的下界,取值为[-1, 1]
  3. GIoU除了关注重叠区域不同,还关注了非重叠区域,能够更好的反应重合度

DIoU
paper:https://arxiv.org/pdf/1911.08287.pdf 提出DIOU和CIOU
如下图所示,当出现该场景时,计算各种基于IOU的损失函数值, L d i o u L_{diou} Ldiou能够描述检测框与gt框的位置信息。从图中我们可以看到,当处于第三幅图时,检测框和gt都位于中心,IoU=GIoU=DIoU。但位置出现差异,如第一幅图和第二幅图时,明显第二幅图的效果要好一些,此时GIOU降级成为IOU,而DIOU的损失值较大,能够较好的描述当前位置信息。

在这里插入图片描述
基于此场景,作者提出了DIoU。并提出了2个问题,第一:最小化两个边界框中心点的归一化距离能否加快收敛?第二:如何在回归时,能够更好的描述重叠信息,同时使得回归更准确,更快速?
在这里插入图片描述
b b b b g t b^{gt} bgt分别代表预测框和gt框的中心点, ρ \rho ρ代表欧氏距离,c代表最小闭包区的对角线距离。
DIoU具有以下特点:

  1. 对scale不敏感
  2. 与GIoU 类似,与目标框不重叠时,仍然可以为边界框提供移动方向。
  3. DIoU可以直接最小化两个目标框的距离,而GIoU 优化的是两个目标框之间的面积。因此,比GIoU loss收敛快得多。
  4. 对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快,而GIoU损失几乎退化为IoU损失

CIoU
DIoU解决了上文提到的第一个问题,归一化两个中心点的距离从而加速收敛的问题,但是还未解决第二个问题,即如何在回归时能够更好的描述重叠信息。
paper指出,预测的bbox的三个重要的因素分别是,重叠面积、中心点距离和纵横比(长宽比) L i o u L_{iou} Liou考虑了重叠区域,而GIoU很大程度上依赖了IOU损失,DIoU则同时考虑了重叠区域和中心点距离,更进一步的,边界框的长宽比的一致性也是一个重要的几何因素。因此,基于DIoU,作者通过施加长宽比的一致性来提出了 L c i o u L_{ciou} Lciou

在这里插入图片描述

EIoU
作者认为CIoU loss有以下两个缺点:

  • 如果预测框和gt框的长宽比是相同的,那么长宽比的惩罚项恒为0,不合理
  • 观察CIoU中w, h相对于v的梯度,发现这两个梯度是一对相反数,也就是说,w和h不能同时增大或减小,这显然也不够合理的。

针对上述问题,作者对于长宽比的惩罚项进行了替换,形成了EIoU,如下式:

在这里插入图片描述
其中, C w C_{w} Cw C h C_{h} Ch是最小闭包的w和h。

SIoU

paper:https://arxiv.org/ftp/arxiv/papers/2205/2205.12740.pdf
作者认为以前的IoU损失都没有考虑角度问题,但框的角度确实可以影响回归,因此提出SIoU loss,其中SIoU使用4组cost组成见下:

  • 角度损失
  • 距离损失
  • 形状损失
  • IoU损失

Angle cost

在这里插入图片描述
在这里插入图片描述
Distance cost

在这里插入图片描述
可以看出,当 α \alpha α → \rightarrow 0时,Distance cost的贡献大大降低。相反, α \alpha α越接近 π \pi π/4,Distance cost贡献越大。随着角度的增大,问题变得越来越难。因此, γ \gamma γ被赋予时间优先的距离值,随着角度的增加。

Shape cost

在这里插入图片描述

在这里插入图片描述

IoU cost
在这里插入图片描述
整体 L o s s Loss Loss计算如下:
在这里插入图片描述


各类IoU损失计算代码如下:

import torch
import mathdef iou_loss(pred, target, eps=1e-7, reduction='mean', loss_type='iou'):""":param pred: [[x1, y1, x2, y2], [x1, y1, x2, y2], ...]:param target: [[x1, y1, x2, y2], [x1, y1, x2, y2], ...]:param eps::param reduction: "mean" or "sum":param loss_type: "iou", "giou", "diou", "ciou", "eiou" or "siou":return:"""inter_x1 = torch.max(pred[:, 0], target[:, 0])inter_y1 = torch.max(pred[:, 1], target[:, 1])inter_x2 = torch.min(pred[:, 2], target[:, 2])inter_y2 = torch.min(pred[:, 3], target[:, 3])outer_x1 = torch.min(pred[:, 0], target[:, 0])outer_y1 = torch.min(pred[:, 1], target[:, 1])outer_x2 = torch.max(pred[:, 2], target[:, 2])outer_y2 = torch.max(pred[:, 3], target[:, 3])inter_w = (inter_x2 - inter_x1 + 1.0).clamp(0.)inter_h = (inter_y2 - inter_y1 + 1.0).clamp(0.)inters = inter_w * inter_hpred_w = pred[:, 2] - pred[:, 0] + 1.0pred_h = pred[:, 3] - pred[:, 1] + 1.0tag_w = target[:, 2] - target[:, 0] + 1.0tag_h = target[:, 3] - target[:, 1] + 1.0uni = pred_h * pred_w + tag_w * tag_h - intersouter_w = (outer_x2 - outer_x1).clamp(min=0.)outer_h = (outer_y2 - outer_y1).clamp(min=0.)ious = (inters / uni).clamp(min=eps)if loss_type == 'iou':loss = -ious.log()  # -torch.log(ious)elif loss_type == 'giou':enclose = outer_w * outer_h + epsgious = ious - (enclose - uni) / encloseloss = 1 - giouselif loss_type == 'diou' or loss_type == 'ciou' or loss_type == 'eiou':c2 = outer_w ** 2 + outer_h ** 2rho2 = ((pred[:, 0] + pred[:, 2] - target[:, 0] - target[:, 2]) ** 2 +(pred[:, 1] + pred[:, 3] - target[:, 1] - target[:, 3]) ** 2) / 4dious = ious - rho2 / c2if loss_type == 'ciou':v = torch.pow((torch.atan(tag_w / tag_h) - torch.atan(pred_w / pred_h)), 2) * (4 / (math.pi ** 2))alpha = v / (1 - ious + v)cious = dious - alpha * vcious = torch.clamp(cious, min=-1.0, max=1.0)loss = 1 - ciouselif loss_type == 'eiou':rho_w2 = (tag_w - pred_w) ** 2rho_h2 = (tag_h - pred_h) ** 2cw2 = outer_w ** 2 + epsch2 = outer_h ** 2 + epseious = dious - rho_w2 / cw2 - rho_h2 / ch2loss = 1 - eiouselse:loss = 1 - diouselif loss_type == 'siou':s_cw = (pred[:, 0] + pred[:, 2] - target[:, 0] - target[:, 2]) * 0.5s_ch = (pred[:, 1] + pred[:, 3] - target[:, 1] - target[:, 3]) * 0.5sigma = torch.pow(s_cw ** 2 + s_ch ** 2, 0.5) + 1.0sin_alpha_1 = torch.abs(s_cw) / sigmasin_alpha_2 = torch.abs(s_ch) / sigmathreshold = pow(2, 0.5) / 2sin_alpha = torch.where(sin_alpha_1 > threshold, sin_alpha_2, sin_alpha_1)angle_cost = torch.cos(torch.arcsin(sin_alpha) * 2 - math.pi / 2)rho_x = (s_cw / outer_w) ** 2rho_y = (s_ch / outer_h) ** 2gamma = angle_cost - 2distance_cost = 2 - torch.exp(gamma * rho_x) - torch.exp(gamma * rho_y)omiga_w = torch.abs(tag_w - pred_w) / torch.max(tag_w, pred_w)omiga_h = torch.abs(tag_h - pred_h) / torch.max(tag_h, pred_h)shape_cost = torch.pow(1 - torch.exp(-1 * omiga_w), 4) + torch.pow(1 - torch.exp(-1 * omiga_h), 4)sious = ious - 0.5 * (distance_cost + shape_cost)loss = 1 - siouselse:raise NotImplementedErrorif reduction == 'mean':loss = torch.mean(loss)elif reduction == 'sum':loss = torch.sum(loss)else:raise NotImplementedErrorprint(f"{loss_type} loss: {loss}")return lossif __name__ == '__main__':pred_box = torch.tensor([[2, 4, 6, 8], [5, 9, 13, 12]])gt_box = torch.tensor([[3, 4, 7, 9]])iou_loss(pred=pred_box, target=gt_box, loss_type='iou')iou_loss(pred=pred_box, target=gt_box, loss_type='giou')iou_loss(pred=pred_box, target=gt_box, loss_type='diou')iou_loss(pred=pred_box, target=gt_box, loss_type='ciou')iou_loss(pred=pred_box, target=gt_box, loss_type='eiou')iou_loss(pred=pred_box, target=gt_box, loss_type='siou')
http://www.ritt.cn/news/16484.html

相关文章:

  • 做网站 修复漏洞推广赚钱的软件排行
  • 重庆市设计公司网站青岛网站排名提升
  • 会泽做网站搜索引擎优化作业
  • php做购物网站详情页的代码seo专业课程
  • 灵溪网站建设网店代运营一年的费用是多少
  • 网站地区词优化百度ai助手入口
  • 网站购物车怎么做seo排名快速刷
  • 做购物网站开发价格百度快照投诉中心
  • 湖南现在有疫情吗最新消息郑州seo排名第一
  • 广州网站建设信科公司广州推广系统
  • 绵阳网络公司网站建设seo分析
  • 法与家国建设征文网站怎样做网络推广营销
  • 单页面网站怎么做品牌形象推广
  • 网站建设属于应用软件吗宁波seo哪家好快速推广
  • 广东建设监理网站安徽seo推广公司
  • 超大型网站建设搜索引擎优化报告
  • 做网站图片大会导致慢今天新闻摘抄十条
  • 做网站编辑累不累北京seo报价
  • 北京建设工程主管部门网站seo岗位培训
  • 东莞专业微网站建设推广西安seo阳建
  • 做网站公众号多少钱chatgpt网址
  • 个人做视频网站烧钱首页优化排名
  • 沧州网站建设报价平面设计
  • 网站进度条特效seo技术是什么
  • 国内html5视频网站建设百度热搜榜小说排名
  • 做质量计量的网站有哪些百度官方推广
  • 品牌网站建设怎么做项目营销推广方案
  • 云南制作网站的公司网络营销策划方案ppt模板
  • 做微秀的网站品牌策划公司
  • 陕西有没有做网站好的公司网站搜索引擎优化方案