Distance-IoU 损失：更快更好的边界框回归学习
计算机视觉与模式识别
2019-11-20 v1
摘要
边界框回归是目标检测中的关键步骤。在现有方法中，虽然 -范数损失被广泛用于边界框回归，但它并非针对评估度量即交并比（IoU）而定制的。近来，IoU 损失和广义 IoU（GIoU）损失被提出以受益于 IoU 度量，但仍存在收敛慢和回归不准确的问题。本文中，我们提出 Distance-IoU（DIoU）损失，通过引入预测框与目标框之间归一化距离，其在训练中比 IoU 和 GIoU 损失收敛快得多。此外，本文总结了边界框回归中的三个几何因素，即重叠面积、中心点距离和长宽比，在此基础上提出 Complete IoU（CIoU）损失，从而实现更快收敛和更优性能。通过将 DIoU 和 CIoU 损失融入最先进的目标检测算法（如 YOLO v3、SSD 和 Faster RCNN），我们在 IoU 度量和 GIoU 度量上均取得了显著性能提升。而且，DIoU 可轻松用于非极大值抑制（NMS）作为准则，进一步提升性能。源代码和训练模型可在 https://github.com/Zzh-tju/DIoU 获取。
引用
@article{arxiv.1911.08287,
title = {Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression},
author = {Zhaohui Zheng and Ping Wang and Wei Liu and Jinze Li and Rongguang Ye and Dongwei Ren},
journal= {arXiv preprint arXiv:1911.08287},
year = {2019}
}
备注
Accepted to AAAI 2020. The source code and trained models are available at https://github.com/Zzh-tju/DIoU