Unified-IoU：用于高质量目标检测
计算机视觉与模式识别
2024-08-14 v1
摘要
目标检测是计算机视觉领域的重要组成部分，目标检测效果直接取决于预测框回归精度。作为模型训练的关键，IoU（Intersection over Union）greatly展示了当前预测框与真实框之间的差异。后续研究者不断添加更多考量因素，如中心距离、长宽比等。然而，仅通过几何差异进行细化存在上限；此外，新的考量指标与IoU本身可能存在潜在联系，直接相加或相减可能导致“过度考量”问题。基于此，我们提出了一种新的IoU损失函数，称为Unified-IoU (UIoU)，其更关注不同质量预测框之间的权重分配。具体而言，该损失函数以一种新颖方式动态地将模型注意力从低质量预测框转向高质量预测框，以增强模型在高精度或密集数据集上的检测性能，并在训练速度上实现平衡。我们的方法在多个数据集上取得了更好的性能，尤其是在高IoU阈值下，UIoU的改进效果显著优于其他改进型IoU损失。我们的コード可在https://github.com/lxj-drifter/UIOU_files公开获取。
引用
@article{arxiv.2408.06636,
title = {Unified-IoU: For High-Quality Object Detection},
author = {Xiangjie Luo and Zhihao Cai and Bo Shao and Yingxun Wang},
journal= {arXiv preprint arXiv:2408.06636},
year = {2024}
}