SIoU损失：更强大的边界框回归学习
计算机视觉与模式识别
2022-05-26 v1 人工智能
摘要
目标检测作为计算机视觉任务的核心问题之一，其有效性高度依赖于损失函数的定义——即衡量你的机器学习模型预测期望结果的准确程度。传统的目标检测损失函数依赖于预测框与真实框（即GIoU、CIoU、ICIoU等）的距离、重叠面积和长宽比等边界框回归度量的聚合。然而，迄今提出和使用的方法均未考虑期望真实框与预测“实验”框之间不匹配的方向。这一缺陷导致收敛更慢且有效性更低，因为预测框在训练过程中可能“四处游荡”，最终产生更差的模型。本文提出一种新的损失函数SIoU，其中惩罚度量在考虑期望回归之间向量夹角的基础上被重新定义。应用于常规神经网络与数据集，结果表明SIoU同时提升了训练速度与推理精度。所提损失函数的有效性在大量仿真与测试中得以揭示。
引用
@article{arxiv.2205.12740,
title = {SIoU Loss: More Powerful Learning for Bounding Box Regression},
author = {Zhora Gevorgyan},
journal= {arXiv preprint arXiv:2205.12740},
year = {2022}
}