国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【YOLOv8改進】Shape-IoU：考慮邊框形狀與尺度的指標(論文筆記+引入代碼)

2年前作者：程序員半夏分類：Toy博客閱讀(30)違法舉報

這篇具有很好參考價值的文章主要介紹了【YOLOv8改進】Shape-IoU：考慮邊框形狀與尺度的指標(論文筆記+引入代碼)。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

介紹

【YOLOv8改進】Shape-IoU：考慮邊框形狀與尺度的指標(論文筆記+引入代碼),YOLO目標檢測創(chuàng)新改進與實戰(zhàn)案例精講,YOLO,論文閱讀,目標檢測

摘要

? 作為檢測器定位分支的重要組成，邊框回歸損失在目標檢測任務中發(fā)揮巨大作用?，F有的邊框回歸方法，通常考慮了GT框與預測框之間的幾何關系，通過使用邊框間的相對位置與相對形狀等計算損失，而忽略了邊框其自身的形狀與尺度等固有屬性對邊框回歸的影響。為了彌補現有研究的不足，本文提出聚焦邊框自身形狀與尺度的邊框回歸方法。首先我們對邊框回歸特性進行分析，得出邊框自身形狀因素與尺度因素會對回歸結果產生影響。接著基于以上結論我們，我們提出了Shape-IoU方法，其能夠通過聚焦邊框自身形狀與自身尺度計算損失，從而使得邊框回歸更為精確。最后我們通過大量的對比實驗來驗證本文方法，實驗結果表明本文方法能夠有效提升檢測效果且優(yōu)于現有方法，在不同的檢測任務中達到了sota.

創(chuàng)新點

本研究對邊界框回歸的特性進行了深入分析，并得出結論：在邊界框回歸過程中，回歸樣本的形狀與尺度因素對回歸結果有顯著影響。
基于對現有邊界框回歸損失函數的考量，特別是考慮到回歸樣本自身形狀與尺度對邊界框回歸的影響，提出了Shape-IoU損失函數。對于小目標檢測任務，進一步提出了Shape-Dot-Distance和Shape-NWD損失函數。
采用當前最先進的單階段檢測器，在不同的檢測任務上進行了一系列比較實驗。實驗結果證實，該方法在檢測效果上優(yōu)于現有方法，并達到了行業(yè)領先水平（State of the Ar文章來源地址http://www.zghlxwxcb.cn/news/detail-828408.html

到了這里，關于【YOLOv8改進】Shape-IoU：考慮邊框形狀與尺度的指標(論文筆記+引入代碼)的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如若轉載，請注明出處：如若內容造成侵權/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經查實，立即刪除！

分享到：

領支付寶紅包贊助服務器費用

YOLOv8性能評估指標-＞mAP、Precision、Recall、FPS、IoU
開始講解之前推薦一下我的專欄，本專欄的內容支持(分類、檢測、分割、追蹤、關鍵點檢測),專欄目前為限時折扣，歡迎大家訂閱本專欄，本專欄每周更新3-5篇最新機制，更有包含我所有改進的文件和交流群提供給大家。 ? 專欄目錄： YOLOv8改進有效系列目錄 | 包含卷積、主
2024年02月03日
瀏覽(22)
YOLOV7改進-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
yolov7中box_iou其默認用的是CIoU，其中代碼還帶有GIoU，DIoU, AlphaIoU，文件路徑： utils/general.py ，函數名為： bbox_iou 我們可以看到函數頂部，有GIoU，DIoU，CIoU的bool參數可以選擇，如果全部為False的時候，其會返回最普通的Iou，如果其中一個為True的時候，即返回設定為True的那個I
2023年04月20日
瀏覽(28)
計算機視覺 day94 DDH - YOLOv5:基于雙IoU感知解耦頭改進的YOLOv5，用于對象檢測
YOLOv5頭部的分類任務和回歸任務的共同分支會對訓練過程造成傷害，分類得分與定位精度的相關性較低。我們提出了一種雙iou感知解耦頭(DDH)，并將其應用于YOLOv5。改進后的模型命名為DDH-YOLOv5，在不顯著增加FLOPS和參數的情況下，顯著提高了模型的定位精度。在PASCAL VOC2007數據
2024年02月16日
瀏覽(41)
YoloV8改進策略：Block改進|Mamba-UNet改進YoloV8，打造全新的Yolo-Mamba網絡
本文嘗試使用Mamba的VSSBlock替換YoloV8的Bottleneck，打造最新的Yolo-Mamba網絡。在醫(yī)學圖像分析的最新進展中，卷積神經網絡（CNN）和視覺轉換器（ViT）都取得了顯著的基準成績。前者通過其卷積操作在捕獲局部特征方面表現出色，而后者則通過利用自注意力機制實現了出色的全局
2024年02月20日
瀏覽(30)
改進YOLO系列：改進YOLOv8，教你YOLOv8如何添加20多種注意力機制，并實驗不同位置。
注意力機制（Attention Mechanism）是深度學習中一種重要的技術，它可以幫助模型更好地關注輸入數據中的關鍵信息，從而提高模型的性能。注意力機制最早在自然語言處理領域的序列到序列（seq2seq）模型中得到廣泛應用，后來逐漸擴展到了計算機視覺、語音識別等多個領域。
2024年02月16日
瀏覽(32)
YOLOV8改進系列指南
二次創(chuàng)新系列 ultralytics/cfg/models/v8/yolov8-RevCol.yaml 使用(ICLR2023)Reversible Column Networks對yolov8主干進行重設計,里面的支持更換不同的C2f-Block. EMASlideLoss 使用EMA思想與SlideLoss進行相結合. ultralytics/cfg/models/v8/yolov8-dyhead-DCNV3.yaml 使用DCNV3替換DyHead中的DCNV2. ultralytics/cfg/models/v8/yolov8-C2f-E
2024年02月21日
瀏覽(34)
YOLOv8改進后效果
數據集 ? ? ? ? 自建鐵路障礙數據集-包含路障，人等少數標簽。其中百分之八十作為訓練集，百分之二十作為測試集 ???????? 第一次部署 ? ? ? ? 版本：YOLOv5 ? ????????訓練50epoch后精度可達0.94 mAP可達0.95.此時未包含任何改進操作第二次部署 ? ? ? ? 版本：YOLOv8改
2024年02月12日
瀏覽(27)
YoloV8改進策略：FastVit與YoloV8完美融合，重參數重構YoloV8網絡（全網首發(fā)）
2023年10月31日
瀏覽(54)
優(yōu)化改進YOLOv5算法之添加GIoU、DIoU、CIoU、EIoU、Wise-IoU模塊(超詳細)
目錄 1、IoU 1.1 什么是IOU ?1.2 IOU代碼 2、GIOU 2.1 為什么提出GIOU 2.2 GIoU代碼 3 DIoU? 3.1 為什么提出DIOU 3.2 DIOU代碼 4 CIOU 4.1 為什么提出CIOU 4.2 CIOU代碼 5 EIOU 5.1 為什么提出EIOU? 5.2 EIOU代碼 6?Wise-IoU 7 YOLOv5中添加GIoU、DIoU、CIoU、EIoU、Wise-IoU損失函數論文鏈接為：UnitBox: An Advanced Objec
2024年02月04日
瀏覽(26)
yolov8改進之FasterBlock
本文詳細介紹了如何使用FasterNet中的FasterBlock替換YOLOv8的C2f中Bottleneck模塊，并且使用修改后的yolov8進行目標檢測訓練與推理。同樣操作，也可替換yolov5中的C2f中的Bottleneck模塊。 github地址：https://github.com/JierunChen/FasterNet paper地址：https://arxiv.org/abs/2303.03667 1、定義C2f_Faster類在
2024年01月23日
瀏覽(27)