当前位置:   article > 正文

Yolov7/Yolov5损失函数改进:Wasserstein Distance Loss,助力小目标涨点

wasserstein distance loss

目录

1.Wasserstein Distance Loss 介绍

2.微小目标提升:加入yolov5/yolov7

2.1加入YOLOv5

2.1.1 utils/metrics.py加入 Wasserstein

2.1.2 utils/loss.py加入 Wasserstein

2.2 加入YOLOv7

2.2.1 utils/loss.py加入 Wasserstein


1.Wasserstein Distance Loss 介绍

论文名称:《A Normalized Gaussian Wasserstein Distance for Tiny Object Detection》
作者:Jinwang Wang、Chang Xu、Chang Xu、Lei Yu
论文地址:https://arxiv.org/abs/2110.13389

小目标检测是一个非常具有挑战性的问题,因为小目标只包含几个像素大小。作者证明,由于缺乏外观信息,最先进的检测器也不能在小目标上得到令人满意的结果。作者的主要观察结果是,基于IoU (Intersection over Union, IoU)的指标,如IoU本身及其扩展,对小目标的位置偏差非常敏感,在基于Anchor的检测器中使用时,严重降低了检测性能。
为了解决这一问题,本文提出了一种新的基于Wasserstein距离的小目标检测评估方法。具体来说,首先将BBox建模为二维高斯分布,然后提出一种新的度量标准,称为Normalized Wasserstein Distance(NWD),通过它们对应的高斯分布计算它们之间的相似性。提出的NWD度量可以很容易地嵌入到任何基于Anchor的检测器的Assignment、非最大抑制和损失函数中,以取代常用的IoU度量。

1)

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/AllinToyou/article/detail/718487
推荐阅读
相关标签
  

闽ICP备14008679号