HyperAIHyperAI
vor 17 Tagen

Inner-IoU: Effektiverer Intersection-over-Union-Verlust mit Hilfs-Ausrichtungskasten

Hao Zhang, Cong Xu, Shuaijie Zhang
Inner-IoU: Effektiverer Intersection-over-Union-Verlust mit Hilfs-Ausrichtungskasten
Abstract

Mit der raschen Entwicklung von Detektoren wurde die Bounding Box Regression (BBR)-Verlustfunktion kontinuierlich aktualisiert und optimiert. Dennoch konzentrieren sich bestehende auf IoU basierende BBR-Verlustfunktionen weiterhin darauf, die Konvergenzgeschwindigkeit durch Einführung neuer Verlustterme zu beschleunigen, wobei die inherenten Einschränkungen des IoU-Verlustterms selbst vernachlässigt werden. Obwohl der IoU-Verlust theoretisch effektiv den Zustand der Bounding Box Regression beschreiben kann, ist er in praktischen Anwendungen nicht in der Lage, sich an verschiedene Detektoren und Detektionsaufgaben anzupassen und verfügt über keine starke Verallgemeinerungsfähigkeit. Ausgehend von diesen Überlegungen analysieren wir zunächst das BBR-Modell und kommen zu dem Schluss, dass die Unterscheidung zwischen verschiedenen Regressionsproben sowie die Verwendung unterschiedlich großer Hilfs-Bounding Boxes zur Verlustberechnung die Bounding Box Regression effektiv beschleunigen kann. Für Proben mit hohem IoU eignet sich die Verwendung kleinerer Hilfs-Bounding Boxes zur Verlustberechnung zur Beschleunigung der Konvergenz, während größere Hilfs-Bounding Boxes für Proben mit niedrigem IoU besser geeignet sind. Darauf aufbauend stellen wir Inner-IoU-Verlust vor, der den IoU-Verlust durch Hilfs-Bounding Boxes berechnet. Für verschiedene Datensätze und Detektoren führen wir ein Skalierungsfaktor-Verhältnis ein, um die Größe der Hilfs-Bounding Boxes für die Verlustberechnung kontrollieren zu können. Schließlich integrieren wir Inner-IoU in bestehende auf IoU basierende Verlustfunktionen und führen Simulations- und Vergleichsexperimente durch. Die Experimente zeigen eine weitere Verbesserung der Detektionsleistung durch die Anwendung des vorgeschlagenen Ansatzes, was die Wirksamkeit und Verallgemeinerungsfähigkeit des Inner-IoU-Verlusts bestätigt. Der Quellcode ist unter https://github.com/malagoutou/Inner-IoU verfügbar.