用于精确边界框回归的聚焦高效 IOU 损失
计算机视觉与模式识别
2022-07-19 v2
摘要
在目标检测中，边界框回归（BBR）是决定目标定位性能的关键步骤。然而，我们发现以往大多数 BBR 损失函数有两个主要缺陷：（i） 范数和基于 IOU 的损失函数都难以有效刻画 BBR 的目标，导致收敛缓慢且回归结果不准确。（ii）大多数损失函数忽略了 BBR 中的不平衡问题，即大量与目标框重叠度小的锚框对 BBR 的优化贡献最大。为减轻由此带来的不利影响，我们在本文中对挖掘 BBR 损失的潜力进行了深入研究。首先，提出了高效交并比（EIOU）损失，其显式度量 BBR 中三个几何因素的差异，即重叠面积、中心点和边长。此后，我们阐述了有效样本挖掘（EEM）问题，并提出了回归版本的聚焦损失（focal loss），使回归过程聚焦于高质量锚框。最后，将上述两部分结合得到一种新的损失函数，即 Focal-EIOU 损失。在合成与真实数据集上进行了大量实验。在收敛速度和定位精度上均相较其他 BBR 损失取得了显著优势。
引用
@article{arxiv.2101.08158,
title = {Focal and Efficient IOU Loss for Accurate Bounding Box Regression},
author = {Yi-Fan Zhang and Weiqiang Ren and Zhang Zhang and Zhen Jia and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2101.08158},
year = {2022}
}