Wise-IoU：具有动态聚焦机制的边界框回归损失
计算机视觉与模式识别
2023-04-11 v3
摘要
边界框回归（BBR）的损失函数对目标检测至关重要。其良好定义将为模型带来显著的性能提升。大多数现有工作假设训练数据中的样本为高质量，并聚焦于增强 BBR 损失的拟合能力。若盲目地在低质量样本上加强 BBR，将损害定位性能。Focal-EIoU v1 被提出以解决此问题，但由于其静态聚焦机制（FM），非单调 FM 的潜力未被充分挖掘。基于该思路，我们提出一种具有动态非单调 FM 的基于 IoU 的损失，称为 Wise-IoU（WIoU）。该动态非单调 FM 使用离群程度而非 IoU 来评估锚框质量，并提供明智的梯度增益分配策略。该策略降低了高质量锚框的竞争力，同时减少了低质量样本产生的有害梯度。这使得 WIoU 能够聚焦于普通质量的锚框并提升检测器的整体性能。当 WIoU 应用于最先进的实时检测器 YOLOv7 时，MS-COCO 数据集上的 AP-75 由 53.03% 提升至 54.50%。代码见 https://github.com/Instinct323/wiou。
引用
@article{arxiv.2301.10051,
title = {Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism},
author = {Zanjia Tong and Yuhang Chen and Zewei Xu and Rong Yu},
journal= {arXiv preprint arXiv:2301.10051},
year = {2023}
}