#今日论文推荐# 即插即用 | SIoU 实现50.3 AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX

#今日论文推荐# 即插即用 | SIoU 实现50.3 AP+7.6ms检测速度精度、速度完美超越YoloV5、YoloX

目标检测是计算机视觉任务的核心问题之一，其有效性在很大程度上取决于损失函数的定义。传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即 GIoU、CIoU、ICIoU 等）的距离、重叠区域和纵横比。
然而，迄今为止提出和使用的方法都没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“四处游荡”并最终产生更差的模型。
在本文中，提出了一种新的损失函数 SIoU，其中考虑到所需回归之间的向量角度，重新定义了惩罚指标。应用于传统的神经网络和数据集，表明 SIoU 提高了训练的速度和推理的准确性。
在许多模拟和测试中揭示了所提出的损失函数的有效性。特别是，将 SIoU 应用于 COCO-train/COCO-val 与其他损失函数相比，提高了 +2.4% ([email protected]:0.95) 和 +3.6%([email protected])。

论文题目：SIoU Loss: More Powerful Learning for Bounding Box Regression
详细解读：https://www.aminer.cn/research_report/629033b57cb68b460fc30062?download=falsehttps://www.aminer.cn/research_report/629033b57cb68b460fc30062?download=false
AMiner链接：https://www.aminer.cn/?f=cs

​