正文

请到「今天看啥」查看全文

对 的梯度，使用 来加速收敛。 bbox的优化评价使用 -norm，共训练200轮，error曲线如图3b所示

2、Limitations of IoU and GIoU Losses

图 4

论文将5000个中心点上的bbox在最后阶段的total error进行了可视化。 IoU loss只对与target box有交集的bbox有效，因为无交集的bbox的 为0。 而GIoU由于增加了惩罚函数，盆地区域明显增大，但是垂直和水平的区域依然保持着高错误率，这是由于GIoU的惩罚项经常很小甚至为0，导致训练需要更多的迭代来收敛。

三、方法

一般而言，IoU-based loss可以定义为公式5， 是预测box 和 的惩罚项。

1、Distance-IoU Loss

论文提出了能减少两个box中心点间的距离的惩罚项， 和 分别表示 和 的中心点。 是欧氏距离，

请到「今天看啥」查看全文