用于旋转目标检测的 KFIoU 损失
计算机视觉与模式识别
2023-02-07 v6 人工智能
机器学习
摘要
与成熟的水平目标检测领域不同，后者直接采用计算友好的基于 IoU 的损失并很好地契合检测度量；相比之下，旋转检测器通常涉及基于 SkewIoU 的更复杂损失，不利于基于梯度的训练。本文中，我们提出一种基于高斯建模与高斯乘积的有效近似 SkewIoU 损失，其主要由两项组成。第一项是尺度不敏感的中心点损失，用于快速缩小两包围盒中心点间的距离。在距离无关的第二项中，采用高斯分布的乘积，依其定义固有地模拟 SkewIoU 的机制，并在一定距离内（即 9 像素以内）展现出与 SkewIoU 损失在趋势层面上的对齐。这与近期基于高斯建模的旋转检测器（如 GWD 损失和 KLD 损失）形成对比，后者涉及人为指定的分布距离度量，需要额外的超参数调优，且因数据集与检测器而异。所得新损失称为 KFIoU 损失，由于具备完全可微性并处理非重叠情况的能力，比精确的 SkewIoU 损失更易实现且效果更佳。我们进一步将技术推广至同样受与二维相同问题困扰的三维情形。在不同基础检测器下的多个公开数据集（二维/三维、航拍/文本/人脸图像）上的大量结果表明了我们方法的有效性。
引用
@article{arxiv.2201.12558,
title = {The KFIoU Loss for Rotated Object Detection},
author = {Xue Yang and Yue Zhou and Gefan Zhang and Jirui Yang and Wentao Wang and Junchi Yan and Xiaopeng Zhang and Qi Tian},
journal= {arXiv preprint arXiv:2201.12558},
year = {2023}
}
备注
18 pages, 6 figures, 8 tables, accepted by ICLR 2023, TensorFlow code: https://github.com/yangxue0827/RotationDetection, PyTorch code: https://github.com/open-mmlab/mmrotate, Jittor code: https://github.com/Jittor/JDet