网站开发课程报告心得,哔哩哔哩网站建设,网站的二级页面怎么做代码,为什么vue不利于seo摘要#xff1a;在2D/3D目标检测任务中#xff0c;IoU (Intersection-over- Union)作为一种评价指标#xff0c;被广泛用于评价不同探测器在测试阶段的性能。然而#xff0c;在训练阶段#xff0c;通常采用常见的距离损失(如L1或L2)作为损失函数#xff0c;以最小化预测值… 摘要在2D/3D目标检测任务中IoU (Intersection-over- Union)作为一种评价指标被广泛用于评价不同探测器在测试阶段的性能。然而在训练阶段通常采用常见的距离损失(如L1或L2)作为损失函数以最小化预测值与真实值边界盒(Bbox)之间的差异。为了消除训练和测试之间的性能差距在[1]和[2]中引入了IoU损失用于二维目标检测。不幸的是所有这些方法都只适用于轴对齐的二维Bboxes而不能应用于更一般的旋转Bboxes的目标检测任务。为了解决这个问题我们首先研究了两个旋转Bbox的IoU计算然后实现了一个统一的框架IoU损失层用于二维和三维目标检测任务。通过将实现的 IoU损失集成到几个最先进的3D物体探测器中在公共KITTI[3]基准上2D检测和点云3D检测都取得了一致的改进。 记录这篇文章的原因首先作者提出的iou理论上较于传统的更客观其次他没公开源码但是github有人进行了复现论文中说要会提供源码这么多年了都没提供挺难评的但是还是感谢开源的力量这里贴出别人非官方实现实测代码没问题用于学习和复现论文这篇论文还是有价值的。
引言
本文的主要贡献可以概括为:
我们研究了两个旋转2D和3D Bboxes的IoU损失计算;我们为一般的2D和3D物体检测任务提供了一个统一的、独立于框架的IoU丢失层。通过将IoU损耗层集成到几个最先进的3D物体检测框架中如SEC-OND, PointPillars和Point R-CNN其优势已在公共KITTI 3D物体检测基准上得到验证。
IOU 大多数2D检测任务都如图左边所示通过计算得到iou配合数学函数max、min等伪代码如下所示轴向BBOX
旋转BBOX
如图的右边所示轴向对齐的盒子并不适合在3D中表示目标物体比如LiDAR点云中的物体伪代码如下
IOU loss
在[1]和[2]中IoU作为损失函数对于二维轴向BBox回归任务的有效性已经得到了很好的证明。从理论上讲它也应该适用于旋转的BBox因为唯一的区别是旋转的计算过程比轴对齐的计算过程更复杂。与[2]类似我们将IoU损失定义为
针对旋转角度计算
forward 计算Bd和Bg的面积其中Bd和Bg分别代表预测的和真实的BBox; 确定Bd与Bg相交区域的顶点有两种方法:一种是从两个BBox的边相交另一种是从位于另一个BBox内的BBox的角。如果顶点不存在则IoU值为零。 理论上这些顶点形成一个凸壳。为了计算这个凸包的面积我们需要按照逆时针(或顺时针)的顺序对顶点进行排序。首先计算这些顶点的中心点。然后计算每个顶点与中心形成的旋转角度。最后通过旋转角度对顶点进行排序。 然后通过将其划分为小的单个三角形来获得相交面积。根据Eq.(2)计算IoU值通过Eq.(4)计算LIoU。
补充GIOU
作为IoU的广义版本GIoU已在b[2]中提出用于处理两个形状没有相交的情况。在GIoU中给出了确定两个不相交盒体之间距离的定义。一般来说对于任意两个凸形状A, B最小面积边界形状C定义为:同时包围A和B的最小凸形状。通常C应与A和B共享相同的形状类型以便于计算。最后式中U AreaA AreaB−Areaoverlap。将GIoU定义为
