YOLOv5原创改进损失函数 Repulsion:解决目标遮挡场景下检测,为解决密集人群检测中遮挡设计的损失函数,打造高效检测器涨点

本篇内容:YOLOv5原创改进损失函数 Repulsion:解决目标遮挡场景下检测,为解决密集人群检测中遮挡设计的损失函数,打造高效检测器涨点

本博客 内附的改进源代码改进 适用于 YOLOv5、YOLOv7、YOLOv8… 等等YOLO系列 按步骤操作运行改进后的代码即可

在检测行人任务中,由于行人之间互相遮挡,导致检测器容易受遮挡的干扰,给出错误的预测框。
研究人员先是从数据集上进行分析,描述了遮挡对行人检测带来的影响。后面受吸引,排斥的启发,提出了《Repulsion Loss 创新点》来尽可能让预测框贴近真实框的同时,又能与同类排斥,进而避免误检。将其应用到YOLOv5、YOLOv7、YOLOv8系列检测器中,进一步提升YOLO系列遮挡检测的性能

Repulsion 论文理论部分 + 结合 YOLOv5 最新 代码实践改进

文章目录

    • Repulsion 论文理论部分 + 结合 YOLOv5 最新 代码实践改进
      • 论文工作
      • 论文贡献
      • 论文方法
      • 论文实验<

你可能感兴趣的:(芒果改进YOLO高阶指南,YOLO,深度学习,人工智能)