💡💡💡现有IoU问题点:IoU (Intersection over Union)作为模型训练的关键,极大地显示了当前预测框与Ground Truth框之间的差异。后续研究者不断在IoU中加入更多的考虑因素,如中心距离、纵横比等。然而,仅仅提炼几何差异是有上限的;而且新的对价指数与借据本身存在潜在的联系,两者之间的直接加减可能会导致“对价过高”的问题

💡💡💡本文独家改进:提出了一种新的IoU损失函数,称为统一IoU(Unified-IoU, UIoU),它更关注不同质量预测框之间的权重分配,该损失函数既考虑了预测盒与GT盒之间的几何关系,又考虑了IoU权值和置信度信息,充分利用了已知信息

💡💡💡在VOC2007数据集性能比较

YOLOv5改进:Unified-loU,用于高品质目标检测的统一loU ,2024年8月最新IoU-LMLPHP

10-07 06:52