Unified-IoU：进行高质量的目标检测

文章预览

导读 我们提出了一种新的IoU损失函数，称为Unified-IoU（UIoU），该函数更加关注不同质量预测框之间的权重分配。 具体来说，通过一种新颖的方式动态转移模型对低质量预测框的关注到高质量预测框上，以增强模型在高精度或密集数据集上的检测性能，并实现训练速度上的平衡。 摘要 目标检测是计算机视觉领域的重要组成部分，而预测框的回归准确性直接决定了目标检测的效果。作为模型训练的关键，交并比（IoU, Intersection over Union）显著反映了当前预测框与真实框之间的差异。后续的研究者不断向IoU添加更多考量因素，例如中心距离、长宽比等。然而，仅仅细化几何差异存在上限；新考量指标与IoU本身之间存在潜在联系，二者之间的直接加减可能会导致“过度考虑”的问题。基于此，我们提出了一种新的IoU损失函数，称为Unified-IoU（UIoU），该函 ………………………………