《YOLOV4&5原理与源代码解析之四：DIoU-NMS》
一、Soft-NMS 先回顾下传统NMS，如下算法流程图：假如检测马，首先检测到置信度最大的红色框，然后遍历红色框附近的框并计算IOU，IOU大的框都删掉。 因为IOU大，表示高度重叠，所以删除。至于SOFT-NMS，由于NMS过于绝对，例如下图，绿框和红框重叠大多，绿框很可能被删 ...
原文：《YOLOV4&5原理与源代码解析之三：IOU是如何进化为CIOU》
一 IOU IOU：也就是交并比，比较简单，不多说。 缺点： 上面三种情况IOU值是一样的，但是重叠情况不一样。当两个框没有交集的时候，IOU ，导致梯度消失，没办法进行反向传播。 二 GIOU 上述公式中： C表示两个框的最小外接矩形 gt：groundtrueth B：boudingbox BUB gt ：两个框的并集 优点：在不重叠的情况下，就算两个框没有交集，也不至于导致梯度消失，还能继续 ...
2021-02-23 09:10 0 1215 推荐指数：
相关推荐
《YOLOV4&5原理与源代码解析之一：数据增强》
项目中使用YOLO系列已经大半年，是时候总结下原理了。 事实上YOLO3已经是成熟可靠的目标检测框架，具有很好的商业价值；而YOLO4&5是将近年来DL领域一些创新、可靠、有效的tricks加进去，进一步提升了YOLO的效果，江湖传言曰：嫁衣神功 ...
《YOLOV4&5原理与源代码解析之七：PANet模块》
MASK-RCNN中也有PAN(Path Aggregation Network)， 一、FPN 如下图conv5、conv4、conv2&3，分别对应高层、中层、底层特征，这里将 ...
《YOLOV4&5原理与源代码解析之六：注意力机制SAM》
注意力机制CV领域是从NLP领域借鉴过来的，比如：一段话中提取关键的、具备代表性的词语。这个其实在以前聚类算法中学习过，例如：利用bag of word技术，提取一篇论文的关键词，实现论文查 ...
《YOLOV4&5原理与源代码解析之二：DropBlock与标签平滑方法》
Abstract dropout被广泛地用作全连接层的正则化技术，但是对于卷积层，通常不太有效。dropout在卷积层不work的原因可能是由于卷积层的特征图中相邻位置元素在空间上共享语义信息， ...
目标检测中的IOU和CIOU原理讲解以及应用（附测试代码）
上期讲解了目标检测中的三种数据增强的方法，这期我们讲讲目标检测中用来评估对象检测算法的IOU和CIOU的原理应用以及代码实现。 交并比IOU(Intersection over union) 在目标检测任务中，我们用框框来定位对象，如下图定位图片中这个汽车，假设实际框是图中红色的框框，你的算法 ...
AI大视觉（十五） | 损失函数进化史：MSE、IOU、GIOU、DIOU、CIOU、EIOU
本文来自公众号“每日一醒” 目标检测任务的损失函数由两部分构成：Classification Loss和Bounding Box Regeression Loss。 Smo ...
IoU、GIoU、DIOU、CIOU损失函数
1.IOU损失函数 IOU损失表示预测框A和真实框B之间交并比的差值，反映预测检测框的检测效果。 但是，作为损失函数会出现以下问题： 如果两个框没有相交，根据定义，IoU=0，不能度量IoU为零距离远近的程度。同时因为loss=0，没有梯度回传，无法进行学习训练。 IoU无法 ...