最小点距离的边界框回归损失函数及其应用 被引量：4

1

作者 麻斯亮 许勇 《小型微型计算机系统》 CSCD 北大核心 2024年第11期2695-2701,共7页

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... 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,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,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. 展开更多

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

在线阅读 下载PDF 职称材料

基于YOLOv5s模型的边界框回归损失函数研究 被引量：14

2

作者 董恒祥 潘江如 +2 位作者 董芙楠 赵晴 郭鸿鑫 《现代电子技术》 北大核心 2024年第3期179-186,共8页

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率... 针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。 展开更多

关键词 车辆检测 边界框回归损失函数 目标尺度 YOLOv5s Ciou Siou Focal-Eiou Wiou

在线阅读 下载PDF 职称材料

基于CIoU改进边界框损失函数的目标检测方法 被引量：25

3

作者 刘雄彪 杨贤昭 +1 位作者 陈洋 赵帅通 《液晶与显示》 CAS CSCD 北大核心 2023年第5期656-665,共10页

损失函数对于目标检测任务的检测精度和模型收敛速度具有重要作用,而损失函数中的边界框损失函数是影响检测结果和模型收敛速度的重要因素。针对传统模型定位精度低和训练时模型收敛慢的问题,本文在CIoU边界框损失函数的基础上提出一种... 损失函数对于目标检测任务的检测精度和模型收敛速度具有重要作用,而损失函数中的边界框损失函数是影响检测结果和模型收敛速度的重要因素。针对传统模型定位精度低和训练时模型收敛慢的问题,本文在CIoU边界框损失函数的基础上提出一种改进的边界框损失函数,解决了CIoU损失函数求导过程中由边界框宽高比带来的梯度爆炸问题和模型提前退化的问题,并且引入重叠区域与目标框的宽高关系和中心点之间的归一化距离作为附加的惩罚项,提高了模型的检测精度和收敛速度,这种损失函数称为BCIoU(Better CIoU)。在PASACL VOC 2007数据集上的实验结果表明,改进的BCIoU边界框损失函数在YOLOv3网络下相对于IoU损失的mAP50指标相对提升了2.09%,AP指标相对提升了6.88%;相对于CIoU损失的mAP50指标相对提升了1.64%,AP指标相对提升了5.35%。模型的收敛速度也有一定程度的提升。本文提出的BCIoU损失函数提高了模型的检测精度和模型收敛速度,并且可以很方便地纳入到当前目标检测算法中。 展开更多

关键词 计算机视觉 目标检测 边界框回归 梯度 损失函数

在线阅读 下载PDF 职称材料

基于DSGIoU损失与双分支坐标注意力的目标检测算法

4

作者 马素刚 李宁博 +2 位作者 侯志强 余旺盛 杨小宝 《北京航空航天大学学报》 北大核心 2025年第4期1085-1095,共11页

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,提出一种基于距离形状广义交并比(DSGIoU)损失与双分支坐标注意力的目标检测算法。在交并比(IoU)损失项的基础上,通过添加真实框与预测框之... 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,提出一种基于距离形状广义交并比(DSGIoU)损失与双分支坐标注意力的目标检测算法。在交并比(IoU)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、中心点距离及宽高比3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2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数据集上的检测精度分别达到80.0%、82.6%、85.8%,相比基准算法YOLOX提升了1.5%、1.6%、2.0%;在KITTI数据集上的检测精度分别达到87.7%、89.7%、90.7%,相比基准算法YOLOX提升了1.7%、2.9%、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。 展开更多

关键词 目标检测 损失函数 边界框回归 坐标注意力 YOLOX

在线阅读 下载PDF 职称材料

一种用于目标跟踪边界框回归的光滑IoU损失 被引量：13

5

作者 李功 赵巍 +1 位作者 刘鹏 唐降龙 《自动化学报》 EI CAS CSCD 北大核心 2023年第2期288-306,共19页

边界框回归分支是深度目标跟踪器的关键模块,其性能直接影响跟踪器的精度.评价精度的指标之一是交并比(Intersection over union,IoU).基于IoU的损失函数取代了l_(n)-norm损失成为目前主流的边界框回归损失函数,然而IoU损失函数存在2个... 边界框回归分支是深度目标跟踪器的关键模块,其性能直接影响跟踪器的精度.评价精度的指标之一是交并比(Intersection over union,IoU).基于IoU的损失函数取代了l_(n)-norm损失成为目前主流的边界框回归损失函数,然而IoU损失函数存在2个固有缺陷:1)当预测框与真值框不相交时IoU为常量0,无法梯度下降更新边界框的参数;2)在IoU取得最优值时其梯度不存在,边界框很难收敛到IoU最优处.揭示了在回归过程中IoU最优的边界框各参数之间蕴含的定量关系,指出在边界框中心处于特定位置时存在多种尺寸不同的边界框使IoU损失最优的情况,这增加了边界框尺寸回归的不确定性.从优化两个统计分布之间散度的视角看待边界框回归问题,提出了光滑IoU(Smooth-IoU,SIoU)损失,即构造了在全局上光滑(即连续可微)且极值唯一的损失函数,该损失函数自然蕴含边界框各参数之间特定的最优关系,其唯一取极值的边界框可使IoU达到最优.光滑性确保了在全局上梯度存在使得边界框更容易回归到极值处,而极值唯一确保了在全局上可梯度下降更新参数,从而避开了IoU损失的固有缺陷.提出的光滑损失可以很容易取代IoU损失集成到现有的深度目标跟踪器上训练边界框回归,在LaSOT、GOT-10k、TrackingNet、OTB2015和VOT2018测试基准上所取得的结果,验证了光滑IoU损失的易用性和有效性. 展开更多

关键词 光滑iou损失 l_(n)-norm损失 边界框回归 目标跟踪

在线阅读 下载PDF 职称材料

基于自适应聚焦CRIoU损失的目标检测算法 被引量：1

6

作者 肖振久 赵昊泽 +5 位作者 张莉莉 夏羽 郭杰龙 俞辉 李成龙 王俐文 《液晶与显示》 CAS CSCD 北大核心 2023年第11期1468-1480,共13页

在目标检测任务中,传统的边界框回归损失函数所回归的内容与评价标准IoU(Intersection over Union)之间存在不相关性,并且对于边界框的回归属性存在一定不合理性,使得回归属性不完整,降低了检测精度和收敛速度,甚至还会造成回归阻碍的... 在目标检测任务中,传统的边界框回归损失函数所回归的内容与评价标准IoU(Intersection over Union)之间存在不相关性,并且对于边界框的回归属性存在一定不合理性,使得回归属性不完整,降低了检测精度和收敛速度,甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况,大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式;其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项,并且将改进的IoU损失应用到非极大值抑制(Non-Maximum Suppression,NMS)处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项,确定CRIoU(Complete Relativity IoU,CRIoU)损失函数。最后在CRIoU的基础上加入自适应加权因子,对高质量样本的回归损失加权,定义了自适应聚焦CRIoU(Adaptive focal CRIoU,AF-CRIoU)。实验结果表明,使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%,对比CIoU系列损失的检测精度最高相对提升了2.69%,使用A-CRIoU-NMS(Around CRIoU NMS)方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中,也达到了很好的检测效果。 展开更多

关键词 目标检测 边界框回归 iou损失函数 非极大值抑制 自适应聚焦损失

在线阅读 下载PDF 职称材料

基于优化权重的YOLOv7密集行人检测算法 被引量：1

7

作者 曹洁 牛瑜 梁浩鹏 《液晶与显示》 北大核心 2025年第3期505-515,共11页

针对自然复杂场景中行人拥挤和相互遮挡,导致检测精度不佳的问题,提出了一种基于优化权重的YOLOv7密集行人检测算法。首先,针对遮挡行人特征提取问题,利用跨空间高效多尺度注意力机制(Efficient Multi-Scale Attention Module with Cros... 针对自然复杂场景中行人拥挤和相互遮挡,导致检测精度不佳的问题,提出了一种基于优化权重的YOLOv7密集行人检测算法。首先,针对遮挡行人特征提取问题,利用跨空间高效多尺度注意力机制(Efficient Multi-Scale Attention Module with Cross-Spatial Learning,EMA)重新分配主干网络的权重,并跨维度学习不同通道特征之间的相关性,以增强模型对行人目标可见区域的关注。其次,针对检测模型复杂性较高的问题,设计了高效轻量化连接模块(Efficient Lightweight Connection Module,ELCM),旨在提升模型表达能力的同时加快训练速度。最后,构建了聚焦边界框损失函数Focal-SIoU loss,该损失函数注重抑制低质量样本,同时添加角度损失提高模型的检测精度。实验结果表明,所提算法在行人检测数据集Wider-Person与Crowd Human数据集上的均值平均精度分别达到83.7%和82.6%,相比其他先进的算法,在密集拥挤人群检测任务中有显著检测优势。 展开更多

关键词 密集行人检测 优化权重 聚焦边界框损失函数 YOLOv7

在线阅读 下载PDF 职称材料

增强特征表示的绝缘子缺陷检测方法

8

作者 李丽芬 王明 +1 位作者 曹旺斌 梅华威 《计算机工程与设计》 北大核心 2025年第8期2373-2379,共7页

针对绝缘子缺陷目标区域较小、部分缺陷特征相似,从而导致检测精度较低的问题,提出了一种特征表示增强模型(FLDM-YOLO)。该模型基于FasterNet重构特征提取网络并且结合大核可分离注意力(LSKA)设计了SPPF-LSKA模块,增强了对目标的特征提... 针对绝缘子缺陷目标区域较小、部分缺陷特征相似,从而导致检测精度较低的问题,提出了一种特征表示增强模型(FLDM-YOLO)。该模型基于FasterNet重构特征提取网络并且结合大核可分离注意力(LSKA)设计了SPPF-LSKA模块,增强了对目标的特征提取能力;以重参数化技术为基础,提出了C2f-DBB模块,处理目标缺陷特征相似的问题;在边界框回归阶段使用MPDIoU作为损失函数,使得模型更加关注高质量锚框。实验结果表明,FLDM-YOLO模型在保证一定检测速度的前提下,mAP为91.3%,较YOLOv8模型提高了4.2%,可有效应用于实际的巡检工作。 展开更多

关键词 目标检测 绝缘子 部分卷积 主干特征提取网络 大核可分离注意力 重参数化 边界框损失函数

在线阅读 下载PDF 职称材料

基于坐标注意力和软化非极大值抑制的密集安全帽检测

9

作者 尹向雷 苏妮 +1 位作者 解永芳 屈少鹏 《现代电子技术》 北大核心 2025年第2期153-161,共9页

为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进... 为解决现有的安全帽检测算法对密集小目标的检测精度低的问题,提出一种基于坐标注意力和软化非极大值抑制的安全帽检测算法。引入坐标注意力机制,聚焦训练安全帽相关目标特征以提高准确率。采用软化非极大值抑制算法对候选框的置信度进行优化,提升模型对密集小目标的检测精度。通过WIoU优化边界框损失函数,使得模型聚焦于困难样例而减少简单示例对损失值的贡献,提升模型的泛化性能。实验结果表明:与基准模型YOLOv5s相比,所提算法的mAP@0.5达到88.4%,提升了3.0%;mAP@0.5:0.95达到65.6%,提升了6.8%;在召回率和准确率上分别提升了2.4%和0.5%。所提算法为密集小目标的检测提供了一定参考。 展开更多

关键词 安全帽检测 坐标注意力机制 软化非极大值抑制 YOLOv5s Wiou 边界框损失函数

在线阅读 下载PDF 职称材料

基于YOLOv8的输电线路绝缘子表面缺陷识别算法 被引量：2

10

作者 熊伟 路鑫 +1 位作者 邱维进 王平强 《电子测量技术》 北大核心 2025年第2期178-188,共11页

针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题,提出一种基于YOLOv8的输电线路绝缘子表面缺陷识别算法。首先,在主干网络引入CAF模块,增强模型对复杂图像场景的解析,增强全局和局部特征的提取能力;其次,... 针对当前绝缘子表面缺陷识别存在的图像背景复杂、缺陷小目标识别效果差的问题,提出一种基于YOLOv8的输电线路绝缘子表面缺陷识别算法。首先,在主干网络引入CAF模块,增强模型对复杂图像场景的解析,增强全局和局部特征的提取能力;其次,在模型的颈部网络增加GD机制,减少特征融合过程中信息的丢失,提升小目标检测能力;最后,采用ATFL分类损失函数,削弱复杂背景对小目标检测的干扰,引入PIOU边界框损失函数,提高识别精度,加快模型收敛速度。实验结果表明,该算法的mAP50达到94.1%,精确率达到92.5%,召回率达到91.3%,相较于基线模型分别提高了3.1%、0.7%、3.9%,且综合性能优于最近的YOLOv9s、YOLOv10s等代表性算法。 展开更多

关键词 目标检测 绝缘子表面缺陷识别 小目标 卷积和注意力融合 边界框损失函数 分类损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv7—tiny的茶叶嫩芽识别方法

11

作者 王启航 顾寄南 +2 位作者 蒋兴宇 范天浩 潘知瑶 《中国农机化学报》 北大核心 2025年第6期150-155,共6页

为提高茶叶采摘机器人的采摘效率和采摘精度,使模型能更方便地部署在低算力的移动端设备上,提出一种基于改进YOLOv7—tiny的茶叶嫩芽识别方法。首先,用HardSwish激活函数减少量化模式下数值的精度损失,使模型精度提升;其次,利用深度可... 为提高茶叶采摘机器人的采摘效率和采摘精度,使模型能更方便地部署在低算力的移动端设备上,提出一种基于改进YOLOv7—tiny的茶叶嫩芽识别方法。首先,用HardSwish激活函数减少量化模式下数值的精度损失,使模型精度提升;其次,利用深度可分离卷积改进原网络中的ELAN模块减少该模块中的参数冗余,降低模型的参数量和计算量使模型轻量化;最后,为消除模型轻量化造成的精度损失,进一步提高模型精度,使用对小目标更敏感的EIoU边界框损失函数。试验结果显示,改进后的模型精确率、召回率与平均精度均值分别为79.6%、79.1%和81.4%,相比原始模型提升5.4%、2.3%和2.7%;并且改进后的模型参数量为4.8 M,相比原始模型降低20.0%;计算量为10.8 GFLOPs,相比原始模型降低16.9%。 展开更多

关键词 茶叶嫩芽识别 轻量化 深度可分离卷积 边界框损失函数

在线阅读 下载PDF 职称材料

基于YOLOv5s−FSW模型的选煤厂煤矸检测研究

12

作者 燕碧娟 王凯民 +3 位作者 郭鹏程 郑馨旭 董浩 刘勇 《工矿自动化》 CSCD 北大核心 2024年第5期36-43,66,共9页

针对现有煤矸检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题,提出了一种基于YOLOv5s−FSW模型的选煤厂煤矸检测方法。该模型在YOLOv5s的基础上进行改进,首先将主干网络的C3模块替换为FasterNet Block结构,通过降... 针对现有煤矸检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题,提出了一种基于YOLOv5s−FSW模型的选煤厂煤矸检测方法。该模型在YOLOv5s的基础上进行改进,首先将主干网络的C3模块替换为FasterNet Block结构,通过降低模型的参数量和计算量提高检测速度;然后,在颈部网络引入无参型SimAM注意力机制,增强模型对复杂环境下重要目标的关注,进一步提高模型的特征提取能力;最后,在输出端用Wise−IoU替换CIoU边界框损失函数,使模型聚焦普通质量锚框,提高收敛速度和边框的检测精度。消融实验结果表明:与YOLOv5s模型相比,YOLOv5s−FSW模型的平均精度均值(mAP)提高了1.9%,模型权重减少了0.6 MiB,参数量减少了4.7%,检测速度提高了19.3%。对比实验结果表明:YOLOv5s−FSW模型的mAP达95.8%,较YOLOv5s−CBC,YOLOv5s−ASA,YOLOv5s−SDE模型分别提高了1.1%,1.5%和1.2%,较YOLOv5m,YOLOv6s模型分别提高了0.3%,0.6%;检测速度达36.4帧/s,较YOLOv5s−CBC,YOLOv5s−ASA模型分别提高了28.2%和20.5%,较YOLOv5m,YOLOv6s,YOLOv7模型分别提高了16.3%,15.2%,45.0%。热力图可视化实验结果表明:YOLOv5s−FSW模型对煤矸目标特征区域更加敏感且关注度更高。检测实验结果表明:在环境昏暗、图像模糊、目标相互遮挡的复杂场景下,YOLOv5s−FSW模型对煤矸目标检测的置信度得分高于YOLOv5s模型,且有效避免了误检和漏检现象的发生。 展开更多

关键词 煤矸检测 YOLOv5s FasterNet Block SimAM注意力机制 wise−iou边界框损失函数

在线阅读 下载PDF 职称材料

基于MFDC-SSD网络的接触网定位线夹缺陷识别 被引量：2

13

作者 屈志坚 张博语 +1 位作者 杨行 李迪 《铁道学报》 EI CAS CSCD 北大核心 2024年第5期48-57,共10页

针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征... 针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征提取网络进行改进,在特定的特征层间共享上下文信息,提升特征提取能力。然后从网络深层到浅层,逐级采用FPN融合SSD检测的多尺度特征图,设计多特征融合的密集连接网络模型,最后将f GIoU作为边框损失函数,在训练中优化真实框和预测框的重合度。对采集的某段接触网定位线夹图像数据集进行检测识别。结果表明:该定位线夹缺陷检测方法可在复杂接触网背景下,对定位线夹脱落和松动进行检测,且在不同角度、亮度的图像中均具有较强的鲁棒性。 展开更多

关键词 接触网 缺陷识别 定位线夹 特征金字塔 边界框损失函数

在线阅读 下载PDF 职称材料

基于无人机航拍与改进YOLOv5s的油茶果实检测

14

作者 沈德宇 陈锋军 +2 位作者 朱学岩 张新伟 陈闯 《中国农机化学报》 北大核心 2024年第12期238-244,共7页

针对无人机航拍图像中油茶果实小且互相遮挡的问题,提出改进YOLOv5s模型。首先,使用SPD-Conv代替YOLOv5s模型中池化操作,使模型在执行下采样操作时能够保留更多细粒度信息。然后,在YOLOv5s模型的颈部网络末端引入坐标注意力机制CA,提高... 针对无人机航拍图像中油茶果实小且互相遮挡的问题,提出改进YOLOv5s模型。首先,使用SPD-Conv代替YOLOv5s模型中池化操作,使模型在执行下采样操作时能够保留更多细粒度信息。然后,在YOLOv5s模型的颈部网络末端引入坐标注意力机制CA,提高模型对遮挡目标的鲁棒性。另外,改进YOLOv5s模型使用NWD边界框损失函数替换YOLOv5s中的CIOU边界框损失函数,以提升模型对无人机航拍图像中小油茶果实的检测能力。改进YOLOv5s模型的精确率、召回率、F1分数和平均精度均值分别达到93.1%、90.5%、91.78%和91.2%,与YOLOv5s模型相比,平均精度均值提升3.6个百分点。试验表明,改进YOLOv5s对航拍图像中较小的油茶果实和遮挡果实有更强的检测能力。可为利用无人机进行油茶果实的产量估计研究提供参考。 展开更多

关键词 油茶果实 无人机航拍 YOLOv5s 坐标注意力机制 边界框损失函数

在线阅读 下载PDF 职称材料

面向多角度文字检测的旋转交并比神经网络

15

作者 姚宏扬 仝明磊 施漪涵 《计算机应用与软件》 北大核心 2023年第2期230-235,共6页

边界框回归是文字检测中关键的步骤,为了更好地预测边界框和收敛网络参数,在Faster RCNN目标检测算法的基础上提出一种利用旋转交并比损失函数的神经网络。该损失函数根据文字检测的评价指标而设计,增加预测框的角度参数,将其与宽和高... 边界框回归是文字检测中关键的步骤,为了更好地预测边界框和收敛网络参数,在Faster RCNN目标检测算法的基础上提出一种利用旋转交并比损失函数的神经网络。该损失函数根据文字检测的评价指标而设计,增加预测框的角度参数,将其与宽和高的参数一起代入损失函数的惩罚项,代替了原版用于边界框回归的smooth L1损失函数,转化为交并比的损失向神经网络进行反向传播,并着重优化边界框的方向信息,通过设计与角度惩罚项相同的阈值运算作为非极大值抑制来输出检测结果。在公开文字检测数据集ICDAR2015上的实验结果表明,该方法有效提高了网络的收敛速度和检测精准度,比原方法综合提升11百分点左右。 展开更多

关键词 文字检测 神经网络 损失函数 边界框回归 交并比

在线阅读 下载PDF 职称材料