Home
Giới thiệu
Tài khoản
Đăng nhập
Quên mật khẩu
Đổi mật khẩu
Đăng ký tạo tài khoản
Liệt kê
Công trình khoa học
Bài báo trong nước
Bài báo quốc tế
Sách và giáo trình
Thống kê
Công trình khoa học
Bài báo khoa học
Sách và giáo trình
Giáo sư
Phó giáo sư
Tiến sĩ
Thạc sĩ
Lĩnh vực nghiên cứu
Tìm kiếm
Cá nhân
Nội dung
Góp ý
Hiệu chỉnh lý lịch
Thông tin chung
English
Đề tài NC khoa học
Bài báo, báo cáo khoa học
Hướng dẫn Sau đại học
Sách và giáo trình
Các học phần và môn giảng dạy
Giải thưởng khoa học, Phát minh, sáng chế
Khen thưởng
Thông tin khác
Tài liệu tham khảo
Hiệu chỉnh
Số người truy cập: 111,200,444
An Updated IoU Loss Function for Bounding Box Regression
Tác giả hoặc Nhóm tác giả:
Thi-Hoang-Giang Tran, Dinh-Khoa Tran, and Ho-Si-Hung Nguyen
Nơi đăng:
Springer Nature (SCOPUS);
S
ố:
124;
Từ->đến trang
: 13-22;
Năm:
2022
Lĩnh vực:
Khoa học công nghệ;
Loại:
Bài báo khoa học;
Thể loại:
Quốc tế
TÓM TẮT
ABSTRACT
In object detection, bounding box regression (BBR) is a crucial portion that optimizes size of an object and determines the object localization performance. To improve convergence and performance in object detection,many researchers have modified and proposed Intersection over Union (IoU) loss functions. In existing researches, the loss functions have some main drawbacks. Firstly, the IoU-based loss functions are inefficient enough to perform the detection of object in BBR. Secondly, the loss functions ignore the imbalance issues in BBR that the large number of anchor boxes which have small overlaps with the target boxes contribute most to the optimization of BBR. Thirdly, loss functions own redundant parameters which make for extending process. Therefore, to solve these problems, we propose a new method by using an Updated-IoU loss function. Three geometric factors are considered in the proposed function including: (i) the overlap area; (ii) the distances; (iii) the side length. Especially, the Updated-IoU loss function is extremely concentrates on the overlap areas, and predicted object localization to obtain the higher position accuracy performance. In this way, the proposal allows for optimizing and relocating an anchor box in order that the box closes to the ground truth in the training process. The proposal is performed on MS COCO and VOC Pascal dataset. The results are compared to existing IoU models and show that the proposal improves detection ability of object for bounding box regression.
© Đại học Đà Nẵng
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn