Inner-IoU：基于辅助边界框的更有效交并比损失
计算机视觉与模式识别
2024-01-15 v4 人工智能
摘要
随着检测器的快速发展，边界框回归（BBR）损失函数不断更新和优化。然而，现有的基于IoU的BBR仍然侧重于通过添加新的损失项来加速收敛，忽略了IoU损失项本身的局限性。尽管理论上IoU损失可以有效描述边界框回归的状态，但在实际应用中，它不能根据不同检测器和检测任务自行调整，且不具备强泛化性。基于上述，我们首先分析了BBR模型，得出结论：区分不同回归样本并使用不同尺度的辅助边界框计算损失可有效加速边界框回归过程。对于高IoU样本，使用较小的辅助边界框计算损失可加速收敛，而较大的辅助边界框适用于低IoU样本。然后，我们提出Inner-IoU损失，通过辅助边界框计算IoU损失。对于不同数据集和检测器，我们引入缩放因子ratio来控制用于计算损失的辅助边界框的尺度大小。最后，将Inner-IoU集成到现有的基于IoU的损失函数中进行仿真和对比实验。实验结果表明，利用本文提出的方法进一步提升了检测性能，验证了Inner-IoU损失的有效性和泛化能力。代码可在 https://github.com/malagoutou/Inner-IoU 获取。
引用
@article{arxiv.2311.02877,
title = {Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box},
author = {Hao Zhang and Cong Xu and Shuaijie Zhang},
journal= {arXiv preprint arXiv:2311.02877},
year = {2024}
}