检索结果-南通市图书馆

基于改进边界框回归损失的YOLOv3检测算法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第3期48卷 236-243页

作者：沈记全陈相均翟海霞河南理工大学计算机科学与技术学院河南焦作454000

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比(IoU)之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失... 详细信息

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比(IoU)之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失算法BR-IoU。将IoU作为边界框回归损失函数的损失项,使不同尺度的边界框在回归过程中获得更均衡的损失优化权重。在此基础上,通过添加惩罚项最小化预测框与真值框中心点间围成的矩形面积,并提高预测框与真值框之间宽高比的一致性,从而优化边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明,在不影响实时性的前提下,BR-IoU能够有效提高检测精度,采用BR-IoU的YOLOv3算法在PASCAL VOC 2007测试集上mAP较原YOLOv3算法和G-YOLO算法分别提高2.5和1.51个百分点,在COCO测试集上分别提高2.07和0.66个百分点。

关键词： YOLOv3检测算法边界框回归交并比 BR-IoU损失算法宽高比

在线全文

学校读者我要写书评

暂无评论

最小点距离的边界框回归损失函数及其应用

小型微型计算机系统 2023年

作者：麻斯亮许勇鹏城实验室华南理工大学计算机科学与工程学院

边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的一个重要步骤，但仍存在收敛缓慢和回归不准确的问题。本文研究发现大多数现有的边界框回归损失函数在预测框与标注框具有相同的纵横比，但宽度和高度值不同时损失函... 详细信息

边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的一个重要步骤，但仍存在收敛缓慢和回归不准确的问题。本文研究发现大多数现有的边界框回归损失函数在预测框与标注框具有相同的纵横比，但宽度和高度值不同时损失函数值无法收敛。为了解决这个问题，本文充分挖掘矩形的几何特征，提出了一种最小点距离的边界框相似度度量MPDIoU，它包含了现有主流边界框回归度量的相关因素，即重叠或非重叠面积、中心点距离、宽度和高度的偏差，同时简化了计算过程。在此基础上，本文提出了一个最小点距离的边界框回归损失函数，称为■。实验结果表明，MPDIoU损失函数应用于最先进的实例分割（例如YOLACT）和目标检测（例如YOLOv7）模型训练PASCAL VOC、MS COCO和IIIT5k，其性能优于现有损失函数，模型回归效率和精度得到有效提升。

关键词：目标检测实例分割边界框回归损失函数最小点距离

面向目标检测的边界框回归改进算法研究与实现

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向目标检测的边界框回归改进算法研究与实现

作者：李琦林吉林大学

学位级别：硕士

目标检测是计算机视觉领域中的一个核心课题,目标检测技术旨在从图片、视频等信息中,对物体进行识别和定位,是语义分割、图像描述等高层视觉任务的基础。现如今,目标检测技术在人脸识别、自动驾驶、工业检测、医学图像识别等领域有着广... 详细信息

目标检测是计算机视觉领域中的一个核心课题,目标检测技术旨在从图片、视频等信息中,对物体进行识别和定位,是语义分割、图像描述等高层视觉任务的基础。现如今,目标检测技术在人脸识别、自动驾驶、工业检测、医学图像识别等领域有着广泛的应用。对于目标检测的定位任务而言,边界框回归是决定物体定位精度的关键因素之一。边界框回归损失大致可以分为两类:传统的L范式损失(L,L,Smooth L);基于IoU的系列损失(IoU、GIoU、DIoU、CIoU等)。传统的L范式损失因其独立计算每一个坐标参数的损失忽略了坐标参数之间的联系而被诟病,因此大多数现有的边界框回归损失都是基于IoU的。本文对现有的边界框损失进行了分析:首先发现现有边界框损失函数没有对IoU是否有更好的表现形式进行探讨,都沿用了IoU作为基础损失项,而且它们在一些特殊情形下不能有效的描述边界框之间的优劣。其次没有很好的处理边界框回归过程中高低质量样本不平衡问题,没有深入挖掘有效样本。基于上述问题本文对于IoU损失和损失惩罚项、有效样本挖掘方面进行了研究和改进,主要研究内容及工作如下:(1)对比于Smooth L损失以及IoU损失的梯度,发现Smooth L损失和IoU损失的梯度趋势完全相反,Smooth L损失在接近高质量回归效果的情况下梯度降低,而IoU损失在接近高质量回归效果的情况下梯度反而增大。本文认为这是IoU损失优于Smooth L损失的原因之一。基于此发现,本文在IoU损失的基础上改进了IoU的表现形式,称之为NIoU损失。其次本文分析了基于IoU损失的附加惩罚项,发现其附加惩罚项都是从边界框回归整体的角度进行的设计,而没有单独考虑边界框每个边的回归效果,基于这个问题本文提出了边距惩罚项,该损失计算了目标框与预测框的每个边之间的距离差值,细化了对于每条边的回归。同时,考虑到加入四个相对独立的惩罚项可能导致的边界框回归的不稳定波动,引入了基于边界框对角线向量余弦相似度惩罚项,通过控制二者在向量空间的夹角以约束回归方向。将上述三种改进结合在一起提出LIoU损失,通过MS COCO2017数据集训练验证,与现有的边界框回归损失比较达到最好的AP,表明了方法的有效性。在Retina Net、PAA等模型上使用该边界框回归损失,这些模型AP均有提升,表明了该方法的泛用性。(2)为了解决边界框回归高低质量样本不平衡问题,本文改进了现有的边界框回归损失权重。引入本文提出的NIoU作为权重控制因子,将每个训练批次中均值低于平均NIoU值的定义为低质量样本,高于平均NIoU值的定义为高质量样本,对边界框回归过程中的低质量样本进行降权处理,对于高质量样本进行加权处理。提出一种权重系数,将提出的权重与LIoU损失结合,通过MS COCO2017数据集训练验证,对比于现有的方法本文提出的方法有着更高的AP提升,表明了方法的有效性。并应用Retina Net、PAA等模型上,均有有效的AP提升,表明了方法的泛用性。

关键词：深度学习目标检测边界框回归有效样本挖掘

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的实例分割边界框回归方法研究

哈尔滨工程大学学报 2024年第3期45卷 474-479,614页

作者：刘桂霞吴彦博李文辉王天昊吉林大学计算机科学与技术学院吉林长春130012 哈尔滨工程大学船舶工程学院黑龙江哈尔滨150001

针对实例分割任务中图像中可能出现相互遮挡或边缘模糊导致边界框定位不准确的问题,本文提出了一种新的边界框回归损失函数。将边界框位置预测转化为估计定位置信度随位置变化的概率分布;考虑坐标点间存在联系,提出一种面积差计算方法;... 详细信息

针对实例分割任务中图像中可能出现相互遮挡或边缘模糊导致边界框定位不准确的问题,本文提出了一种新的边界框回归损失函数。将边界框位置预测转化为估计定位置信度随位置变化的概率分布;考虑坐标点间存在联系,提出一种面积差计算方法;为了证明此方法可以很好地应用于先检测后分割的实例分割模型,本文使用Mask R-CNN作为基线。实验结果表明:在边界框检测及实例分割任务中,本文方法的精度优于其他方法,对于小物体的检测与分割效果更显著,训练和评估速度也更快。

关键词：计算机视觉深度学习卷积神经网络实例分割 Mask R-CNN 边界框回归 KL散度高斯分布

改进交并比边界框回归损失的YOLOv3检测算法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机工程 2021年

作者：沈记全陈相均翟海霞河南理工大学计算机科学与技术学院

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比... 详细信息

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比边界框回归BR-IoU(Bounding Box Regression IoU)损失算法，该算法将IoU作为边界框回归损失函数的损失项，通过添加惩罚项最小化预测框与真值框中心点间围成矩形的面积、提高预测框与真值框之间宽高比值的一致性，来提升边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明，采用BR-IoU损失算法作为边界框回归损失的YOLOv3在不影响实时性的前提下，在PASCAL VOC 2007测试集上的mAP达到81.23%(IoU=0.5)，在COCO测试集上的mAP相比原YOLOv3算法提升了2.07%(IoU[0.5:0.95])。

关键词： YOLOv3检测算法边界框回归交并比 BR-IoU损失算法宽高比值

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种基于边界框关键点距离的框回归算法

计算机工程 2023年第7期49卷 65-75页

作者：聂志勇阴宇薇汤佳欣涂志刚国能网信科技(北京)有限公司综合自动化部北京100011 武汉大学测绘遥感信息工程国家重点实验室武汉430079

针对目前基于交并比(IoU)的框回归方法在实际应用中存在的检测精度不高、收敛速度较慢等问题,提出一种基于关键点距离交并比(KIoU)的框回归方法。从几何知识入手,将矩形的3个顶点和1个中心点作为关键点,通过计算对应点之间的距离来判断... 详细信息

针对目前基于交并比(IoU)的框回归方法在实际应用中存在的检测精度不高、收敛速度较慢等问题,提出一种基于关键点距离交并比(KIoU)的框回归方法。从几何知识入手,将矩形的3个顶点和1个中心点作为关键点,通过计算对应点之间的距离来判断预测框与真实框的位置以及形态差异。构建基于关键点交并比损失的新型损失函数,计算实际情况与理想情况下预测框与真实框的关键点交并比之差,将关键对应点的距离作为IoU的惩罚项以加速模型收敛过程,利用关键点信息在定位上的高效性和准确性来提高目标检测精度。以单阶段目标检测算法SSD和两阶段目标检测算法Faster R-CNN为基准算法,在PASCAL VOC和COCO数据集上将KIoU与IoU、GIoU、DIoU、CIoU等4种交并比方法进行实验对比,结果表明:在检测精度方面,在Faster R-CNN上KIoU相较IoU提升了2.91%,相较目前表现较好的DIoU提升了0.11%,在SSD上KIoU相较IoU与DIoU分别提升了0.96%与0.06%;在目标检测视觉效果方面,KIoU方法对目标的定位更加准确,且在一定程度上能够减少目标漏检的情况。

关键词：目标检测边界框回归交并比关键点距离交并比关键对应点

在线全文

学校读者我要写书评

暂无评论

基于边界框回归的源代码漏洞检测研究

基于边界框回归的源代码漏洞检测研究

作者：张峻锟河北大学

学位级别：硕士

近年来,网络安全智能分析成为发展最快的跨学科研究之一,出现了一批基于机器学习的软件漏洞检测方法。然而,由于基于机器学习的漏洞检测方法还处于起步和探索阶段,存在许多问题,例如,没有充分地利用源代码中的语义信息,误报率高,检测粒... 详细信息

近年来,网络安全智能分析成为发展最快的跨学科研究之一,出现了一批基于机器学习的软件漏洞检测方法。然而,由于基于机器学习的漏洞检测方法还处于起步和探索阶段,存在许多问题,例如,没有充分地利用源代码中的语义信息,误报率高,检测粒度粗,定位不精确等。针对上述问题,本文基于源代码漏洞检测相关工作进行研究,提出了一种基于边界框回归的源代码漏洞检测方案。论文主要工作如下:首先,借鉴目标检测领域的方法和思想,将边界框回归方法引入到漏洞检测中,提出了一种表示漏洞位置的边界框标记策略。同时,提出了一种分段检测的思想,并基于该思想提出并设计了段检测器,用于预测表示漏洞位置的边界框,有效地提高了检测精度。其次,设计了一个基于边界框回归思想的深度学习模型,重新定义了损失函数。该模型能够从程序中提取特征,通过程序的整体特征直接预测出表示漏洞位置的边界框,并且能够进行端对端的优化,提高了定位精度。最后,设计并实现了一个基于边界框回归的漏洞检测方案——BBregLocator,并通过在公开数据集上进行相关实验,验证了该方案的可行性与有效性。实验结果表明,该方案能够在保持低误报率和低漏报率的情况下,提升了漏洞定位精度。

关键词：漏洞检测深度学习边界框回归源码分析

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于优化边界框回归的目标检测研究

基于优化边界框回归的目标检测研究

作者：徐长凯青岛科技大学

学位级别：硕士

目标检测是计算机视觉中最基本和最具挑战性的任务,对图片或者视频中的多个目标进行识别和定位。目标检测在安检、医疗、无人驾驶、行人重识别、机器人视觉等领域得到了广泛的应用。另外在目标检测中边界框回归是决定目标定位性能的一... 详细信息

目标检测是计算机视觉中最基本和最具挑战性的任务,对图片或者视频中的多个目标进行识别和定位。目标检测在安检、医疗、无人驾驶、行人重识别、机器人视觉等领域得到了广泛的应用。另外在目标检测中边界框回归是决定目标定位性能的一个关键步骤,但是发现大多数之前的边界框回归损失函数,不能有效的描述边界框的目标从而导致了收敛速度慢和回归不准确。为了缓解传统的边界框回归损失收敛速度慢、回归结果不准确的问题。本文在CIoU损失的基础上对其进行改进,并同时考虑了真实边界框的模糊性、遮挡等情况对目标检测任务带来不同程度的影响,模糊性不仅使得难以标记真实边界框,而且严重影响边界框回归损失的性能。提出了一种新的边界框回归损失OIoU,进一步提升了目标检测框架的测试平均精确度。本文的主要研究内容以及工作如下:（1）基于CIoU损失并借鉴KL损失的特点提出了性能更好的边界框回归框架OIoU,OIoU损失综合考虑传统的Io U损失存在收敛速度缓慢、回归不准确和真实的边界框模糊性问题,进一步提高了模型的检测速度和精确度。（2）利用OIoU损失替代原来使用的CIoU损失来应对数据增强的过程中会加剧遮挡、模糊性等情况的发生,从而提升了YOLOv4的检测性能。在MS-COCO数据集上其目标检测平均精度达到了43.8%,比同等条件下的YOLOv4目标测试平均精度提升了0.7%,目标检测精度在小目标上提升了1.5%,在中等目标上提升了0.6%。（3）将优化边界框回归损失引入Faster RCNN模型中,同时用ROI Align代替原有的ROI pooling,解决传统边界框回归存在收敛速度慢、回归不准确和真实的边界框模糊性问题。在PASCAL VOC数据集上与CIoU损失相比测试精度提升了1.3%。在MS-COCO数据集与CIoU相比提升了0.15%。（4）借助无监督领域自适应的方法,将图像级类别正则化、类别一致正则化和优化边界框回归损失引入到无监督领域自适应的Faster RCNN的模型,进一步约束了源域和目标域之间的特征统计分布缩小了源域和目标域之间的差异,提升了跨领域目标检测的精确度。在对天气的适应性实验中引入OIoU损失比仅引入图像级类别正则化和类别一致正则化的领域自适应的Faster RCNN模型的检测平均精度提升了0.9%。对不同场景的适应性实验中引入OIoU损失比仅引入图像级类别正则化和类别一致正则化的领域自适应的Faster RCNN模型的检测平均精度提升了1.1%。综上,本文所提出的优化边界框回归损失OIoU,能够提升单阶段和双阶段目标检测模型的测试平均精度,也能对跨领域目标检测在风格差异较大的数据集上进一步提升检测的平均精度。同时也证明OIoU损失具有很好的泛化能力。

关键词：边界框回归目标检测 Faster RCNN 领域自适应 KL损失

基于DSGIoU损失与双分支坐标注意力的目标检测算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

北京航空航天大学学报 2023年

作者：马素刚李宁博侯志强余旺盛杨小宝西安邮电大学陕西省网络数据分析与智能处理重点实验室西安邮电大学计算机学院空军工程大学信息与导航学院

针对YOLOX算法中边界框回归损失效果有限和多尺度特征表示能力不足，导致检测结果不准确的问题，提出一种基于DSGIoU损失与双分支坐标注意力的目标检测算法。在交并比损失项的基础上，通过添加真实框与预测框之间的非重叠面积、中心点... 详细信息

针对YOLOX算法中边界框回归损失效果有限和多尺度特征表示能力不足，导致检测结果不准确的问题，提出一种基于DSGIoU损失与双分支坐标注意力的目标检测算法。在交并比损失项的基础上，通过添加真实框与预测框之间的非重叠面积、中心点距离以及宽高比三个惩罚项，优化边界框的回归收敛效果；通过平均池化和最大池化沿着两个方向对特征进行编码，获取方向感知信息和位置信息，从而对特征进行增强。为验证所提算法的检测性能，分别以网络大小为Tiny、S、M的YOLOX为基准，在PASCAL VOC和KITTI数据集上进行测试。实验结果表明：所提算法在PASCAL VOC数据集上检测精度分别达到80.0%、82.6%和85.8%，相比基准算法YOLOX提升了1.5%、1.6%和2.0%。在KITTI数据集上检测精度分别达到87.7%、89.7%和90.7%，提升了1.7%、2.9%和1.3%。所提算法能够优化网络收敛性，提高多尺度特征的表示能力，有效提高检测精度。

关键词：目标检测损失函数边界框回归坐标注意力 YOLOX