文章目录
- 摘要
- 论文：《Inner-IoU：具有辅助边界框的更有效的交并比损失》
- 1、简介
- 2、相关工作
- 3、方法
- 4、实验
- 5、结论
- YoloV8官方结果
- 改进方法
- 测试结果
摘要
在分析现有IoU-based BBR的基础上，提出区分不同的回归样本并使用不同尺度的辅助边界框来计算损失，以有效加速边界框回归过程。对于高IoU样本，使用较小的辅助边界框计算损失可以加速收敛，而较大的辅助边界框则适合低IoU样本，作者将其命名为Inner-IoU。Inner-IoU通过使用一个可调整的缩放因子比率来控制计算损失的辅助边界框的尺度大小，以适应不同的数据集和检测器。将Inner-IoU集成到现有的基于IoU的损失函数中进行模拟和对比实验，结果表明该方法在检测性能方面有了进一步的提升，验证了Inner-IoU损失的有效性和泛化能力。
本文使用Inner-IoU+clou改进YoloV8，在我自己的数据及实现了轻微的涨点，这也是符合预期的！这种改进涨点有限，而且要反复调整因子的比率才行！
