【第75篇】Wise-IoU:基于动态聚焦机制的边界框回归损失

文章目录

  • 摘要
  • 简介
    • A. ln−norm损失
    • B.交集/并集
    • C.聚焦机制
  • 相关工作
    • A. BBR的损失函数
    • B.带FM的损失函数
  • 方法
    • 仿真实验
    • B.梯度消失问题的解决方法
    • C.提出的方法
  • 实验
    • A.实验设置
    • B.消融实验
  • 结论

摘要

论文地址:https://arxiv.org/abs/2301.10051
GitHub:https://github.com/Instinct323/wiou
边界盒回归(BBR)的损失函数是目标检测的关键。它的良好定义将为模型带来显著的性能改进。现有的大部分工作都假设训练数据中的样例质量较高,侧重于加强BBR损失的拟合能力。如果盲目地在低质量的实例上加强BBR,将会危及本地化性能。为了解决这一问题,

你可能感兴趣的:(物体检测,高质量人类CV论文翻译,回归,深度学习,机器学习)