门窗网站制作宣传语,河东天津网站建设,常州做网上废品收购网站,wordpress8小时前 论文提出从IoU指标延伸来的PIoU损失函数#xff0c;能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果#xff0c;对anchor-based方法和anchor-free方法均适用。另外论文提供了Retail50K数据集#xff0c;能够很好地用于评估倾斜目标检测算法的性能来源#x… 论文提出从IoU指标延伸来的PIoU损失函数能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果对anchor-based方法和anchor-free方法均适用。另外论文提供了Retail50K数据集能够很好地用于评估倾斜目标检测算法的性能来源晓飞的算法工程笔记 公众号论文: PIoU Loss: Towards Accurate Oriented Object Detection in Complex EnvironmentsIntroduction当前的目标检测方法由于BB(bounding boxes)的特性对倾斜和密集物体的检测存在一定的局限性。为了解决这个问题研究者扩展出了带旋转参数的OBB(oriented bounding boxes)即从BB($c_x,c_y,w,h$)扩展为OBB($c_x,c_y,w,h,\theta$)其中$\theta$旋转角度这样OBB就能更紧凑地包围目标可以更好地检测旋转和密集的物体。目前的OBB-based方法大多数在anchor-based架构上采用距离损失来优化上述的5个参数并且在航空图片的目标检测上已经有一些应用。但其检测性能在更复杂的场景中依然存在局限性主要原因在于距离损失更多地是优化旋转角度误差而不是优化全局IoU特别是对长条形物体很不敏感。如图a所示两个IoU相差很大的情景下距离损失的结果却是一样的。为了解决这个问题论文提出PIoU(Pixels-IOU)损失来同时提高旋转角度和IoU的准确率。如图b所示PIoU损失能直接反映物体间的IoU但由于OBB间的相交区域可能是多边形OBB的IoU比BB的IoU要难算得多所以PIoU损失以逐像素判断的方式进行IoU计算并且是连续可微的。另外论文还提供了包含高长宽比倾斜目标的检测数据集Retail50K方便OBB-based检测算法的研究。论文的贡献如下提出新的损失函数PIoU损失能够提升倾斜目标的检测效果。提供新的数据集Retail50K可以更好的进行OBB-based算法的评估。通过实验证明PIoU损失的有效性能够运用于anchor-based和anchor-free方法。Pixels-IoU (PIoU) Loss对于OBB $b$($c_x, c_y, w,h,\theta$)理想的损失函数能够引导网络最大化IoU降低$b$的错误率。为了到达这个目的需要准确且高效地计算OBB间的IoU论文采用了像素计数的方式来计算IoU。对于点$p_{ij}$和OBB $b$根据其到中线的距离$d^h_{i,j}$和中线交点到中点的距离$d^w_{i,j}$来判断点是否在OBB内定义$B_{b,b^{}}$为包围$b$和$b^{}$的最小正方形可以通过判断$B_{b,b^{}}$中的所有像素来计算$b$和$b^{}$间的交集区域和并集区域最后通过$S_{b\cap b^{}}$除以$S_{b\cup b^{}}$计算IoU但公式1并不是连续可微函数导致不能进行反向传播训练。为了解决这个问题将公式1转换为两个核的乘积$F(p_{i,j}|b)$其中$k$用于控制对目标像素$p_{i,j}$的敏感程度由于公式9使用了相对位置信息(图a的点距离和三角形的角度)所以$S_{b\cap b^{}}$和$S_{b\cup b^{}}$均是对OBB的旋转角度和大小敏感的。如图b所示$F(p_{i,j}|b)$是连续可微的且与公式1类似。当$p_{i,j}$在$b$内时$F(p_{i,j}|b)$接近于1反之则接近于0。为此$b$和$b^{}$的交并集区域计算变为为了降低公式11的计算量简化为基于公式10和公式12PIoU的计算为定义$M$为所有正样本对PIoU损失的计算为PIoU损失也可用于无交集的OBB因为PIoU始终大于零梯度依然可以计算另外PIoU损失也可以用于正常的BB场景中。Retail50K Dataset之前的大多数OBB数据集都是航空图片少部分数据集对MSCOCO等数据集进行重新标注。据统计航空图片数据集中大多数OBB的长宽比都在1:4内而主流数据集则集中在1:1不能够很好地评价OBB-based方法的性能。为此论文提供了Retail50K数据集由47000张不同的超市图片构成标注对象为货架的层架边。数据集包含复杂的背景和高长宽比目标并且具有实际使用意义。Experiments不同$k$下对比实验。对比其它损失函数在OBB场景下的性能。对比其它损失函数在BB场景下的性能。Retail50K数据集上的性能对比。HRSC2016数据上的性能对比。DOTA数据上的性能对比。结果可视化对比。Conclustion论文提出从IoU指标延伸来的PIoU损失函数能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果对anchor-based方法和anchor-free方法均适用。从结果来看PIoU损失的效果还是十分明显的。另外论文提供了Retail50K数据集能够很好地用于评估倾斜目标检测算法的性能。 如果本文对你有帮助麻烦点个赞或在看呗更多内容请关注 微信公众号【晓飞的算法工程笔记】
