Focal and Efficient IOU Loss for Accurate Bounding Box Regression

性能优于EIOU、Focal Loss、CIOU等，直接替换大多数检测网络中的原损失函数，均涨点明显！如PAA、ATSS和RetinaNet等。

• 注：文末附【目标检测】交流群

Focal and Efficient IOU Loss for Accurate Bounding Box Regression

• 作者单位：华南理工大学, 地平线, 中科院(谭铁牛等)
• 论文：https://arxiv.org/abs/2101.08158

在目标检测中，边界框回归（BBR）是确定对象定位性能的关键步骤。但是，我们发现，大多数先前的BBR损失函数都有两个主要缺点：

（i）基于ln-norm和基于IOU的损失函数都无法有效地描述BBR的目标，从而导致收敛缓慢且回归结果不准确。


（ii）大多数损失函数都忽略了BBR中的不平衡问题，即与目标框重叠较少的大量锚框对BBR的优化起了最大作用。

为了减轻由此造成的不利影响，我们进行了透彻的研究，以探索本文中BBR损失的可能性。

首先，提出了一种有效的Efficient Intersection over Union (EIOU)损失，它明确地测量了BBR中三个几何因素的差异，即重叠面积，中心点和边长。

之后，我们陈述Effective Example Mining (EEM) 问题，并提出focal loss的回归版本，以使回归过程专注于高质量锚框。
最后，将以上两个部分结合起来得到一个新的损失函数，即Focal-EIOU损失。

细节如下（推荐去看原文哈）

主要贡献：

实验结果

在合成和真实数据集上都进行了广泛的实验。与其他BBR损失相比，可以在收敛速度和定位精度上均具有明显的优势。

CVer-目标检测交流群

已建立CVer-目标检测微信交流群！想要进目标检测学习交流群的同学，可以直接加微信号：CVer6666。加的时候备注一下：目标检测+学校+昵称，即可。然后就可以拉你进群了。

强烈推荐大家关注CVer知乎账号和CVer微信公众号，可以快速了解到最新优质的CV论文。

▲长按关注CVer公众号