Inner-IoU : Une perte d’intersection sur union plus efficace avec une boîte englobante auxiliaire

Grâce au développement rapide des détecteurs, la fonction de perte de régression de boîte englobante (Bounding Box Regression, BBR) a été constamment mise à jour et optimisée. Toutefois, les fonctions de perte BBR basées sur l’IoU existantes se concentrent principalement sur l’accélération de la convergence en ajoutant de nouvelles termes de perte, tout en ignorant les limites intrinsèques du terme de perte IoU. Bien que la perte IoU soit théoriquement capable de décrire efficacement l’état de la régression de boîte englobante, dans les applications pratiques, elle ne peut pas s’ajuster automatiquement aux différents détecteurs ou tâches de détection, et manque ainsi d’une forte généralisation. À la lumière de ces observations, nous avons d’abord analysé le modèle BBR, et conclu que distinguer les échantillons de régression différents et utiliser des boîtes englobantes auxiliaires à différentes échelles pour calculer les pertes peut accélérer efficacement le processus de régression de boîte englobante. Pour les échantillons à haut IoU, l’utilisation de boîtes auxiliaires plus petites permet d’accélérer la convergence, tandis que des boîtes auxiliaires plus grandes sont plus adaptées aux échantillons à faible IoU. Ensuite, nous proposons une nouvelle fonction de perte, nommée Inner-IoU, qui calcule la perte IoU à l’aide de boîtes englobantes auxiliaires. Pour différentes bases de données et détecteurs, nous introduisons un ratio de facteur d’échelle afin de contrôler la taille des boîtes auxiliaires utilisées pour le calcul de la perte. Enfin, nous intégrons Inner-IoU dans les fonctions de perte existantes basées sur l’IoU pour des expérimentations et comparaisons. Les résultats expérimentaux démontrent une amélioration supplémentaire des performances de détection grâce à la méthode proposée, confirmant ainsi l’efficacité et la capacité de généralisation de la perte Inner-IoU. Le code est disponible à l’adresse suivante : https://github.com/malagoutou/Inner-IoU.