损失函数篇 | YOLOv8 更换损失函数之 MPDIoU | 《2023 一种用于高效准确的边界框回归的损失函数》

损失函数篇 | YOLOv8 更换损失函数之 MPDIoU | 《2023 一种用于高效准确的边界框回归的损失函数》_第1张图片

损失函数篇 | YOLOv8 更换损失函数之 MPDIoU | 《2023 一种用于高效准确的边界框回归的损失函数》_第2张图片
论文地址:https://arxiv.org/pdf/2307.07662v1.pdf

边界框回归(Bounding Box Regression,BBR)在目标检测和实例分割中得到了广泛应用,是目标定位的重要步骤。然而,对于边界框回归的大多数现有损失函数来说,当预测的边界框与真值边界框具有相同的长宽比,但宽度和高度的值完全不同时,无法进行有效优化。为了解决上述问题,我们充分探索水平矩形的几何特征,并提出了一种基于最小点距离的新型边界框相似度比较度量 MPDIoU(Minimum Point Distance based IoU)。该度量包含了现有损失函数中考虑的所有相关因素,即重叠或非重叠区域、中心点距离以及宽度和高度的偏差,同时简化了计算过程。在此基础上,我们提出了一种基于 MPDIoU 的边界框回归损失函数,称为 LMPDIoU。实验结果表明,将 MPDIoU 损失函数应用于最先进的实例分割(例如 YOLACT)和目标检测(例如 YOLOv7)模型,并在 PASCAL VOC、MS COCO 和 IIIT5k 数据集上进行训练,优于现有的损失函数。


你可能感兴趣的:(YOLOv8改进实战,YOLO,回归,数据挖掘)