> 論文提出從IoU指標(biāo)延伸來的PIoU損失函數(shù)，能夠有效地提高傾斜目標(biāo)檢測場景下的旋轉(zhuǎn)角度預(yù)測和IoU效果，對anchor-based方法和anchor-free方法均適用。另外論文提供了Retail50K數(shù)據(jù)集，能夠很好地用于評估傾斜目標(biāo)檢測算法的性能

來源：曉飛的算法工程筆記 公眾號

論文: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

Introduction

當(dāng)前的目標(biāo)檢測方法由于BB(bounding boxes)的特性，對傾斜和密集物體的檢測存在一定的局限性。為了解決這個(gè)問題，研究者擴(kuò)展出了帶旋轉(zhuǎn)參數(shù)的OBB(oriented bounding boxes)，即從BB($c_x,c_y,w,h$)擴(kuò)展為OBB($c_x,c_y,w,h,\theta$)，其中$\theta$旋轉(zhuǎn)角度，這樣OBB就能更緊湊地包圍目標(biāo)，可以更好地檢測旋轉(zhuǎn)和密集的物體。

目前的OBB-based方法大多數(shù)在anchor-based架構(gòu)上采用距離損失來優(yōu)化上述的5個(gè)參數(shù)，并且在航空圖片的目標(biāo)檢測上已經(jīng)有一些應(yīng)用。但其檢測性能在更復(fù)雜的場景中依然存在局限性，主要原因在于距離損失更多地是優(yōu)化旋轉(zhuǎn)角度誤差，而不是優(yōu)化全局IoU，特別是對長條形物體很不敏感。如圖a所示，兩個(gè)IoU相差很大的情景下，距離損失的結(jié)果卻是一樣的。

為了解決這個(gè)問題，論文提出PIoU(Pixels-IOU)損失來同時(shí)提高旋轉(zhuǎn)角度和IoU的準(zhǔn)確率。如圖b所示，PIoU損失能直接反映物體間的IoU，但由于OBB間的相交區(qū)域可能是多邊形，OBB的IoU比BB的IoU要難算得多，所以PIoU損失以逐像素判斷的方式進(jìn)行IoU計(jì)算并且是連續(xù)可微的。另外論文還提供了包含高長寬比傾斜目標(biāo)的檢測數(shù)據(jù)集Retail50K，方便OBB-based檢測算法的研究。

論文的貢獻(xiàn)如下：

提出新的損失函數(shù)PIoU損失，能夠提升傾斜目標(biāo)的檢測效果。

提供新的數(shù)據(jù)集Retail50K，可以更好的進(jìn)行OBB-based算法的評估。

通過實(shí)驗(yàn)證明PIoU損失的有效性，能夠運(yùn)用于anchor-based和anchor-free方法。

Pixels-IoU (PIoU) Loss

對于OBB $b$($c_x, c_y, w,h,\theta$)，理想的損失函數(shù)能夠引導(dǎo)網(wǎng)絡(luò)最大化IoU，降低$b$的錯(cuò)誤率。為了到達(dá)這個(gè)目的，需要準(zhǔn)確且高效地計(jì)算OBB間的IoU，論文采用了像素計(jì)數(shù)的方式來計(jì)算IoU。

對于點(diǎn)$p_{ij}$和OBB $b$，根據(jù)其到中線的距離$d^h_{i,j}$和中線交點(diǎn)到中點(diǎn)的距離$d^w_{i,j}$來判斷點(diǎn)是否在OBB內(nèi)：

定義$B_{b,b^{'}}$為包圍$b$和$b^{'}$的最小正方形，可以通過判斷$B_{b,b^{'}}$中的所有像素來計(jì)算$b$和$b^{'}$間的交集區(qū)域和并集區(qū)域：

最后通過$S_{b\cap b^{'}}$除以$S_{b\cup b^{'}}$計(jì)算IoU，但公式1并不是連續(xù)可微函數(shù)，導(dǎo)致不能進(jìn)行反向傳播訓(xùn)練。為了解決這個(gè)問題，將公式1轉(zhuǎn)換為兩個(gè)核的乘積$F(p_{i,j}|b)$：

其中$k$用于控制對目標(biāo)像素$p_{i,j}$的敏感程度，由于公式9使用了相對位置信息(圖a的點(diǎn)距離和三角形的角度)，所以$S_{b\cap b^{'}}$和$S_{b\cup b^{'}}$均是對OBB的旋轉(zhuǎn)角度和大小敏感的。

如圖b所示，$F(p_{i,j}|b)$是連續(xù)可微的，且與公式1類似。當(dāng)$p_{i,j}$在$b$內(nèi)時(shí)，$F(p_{i,j}|b)$接近于1，反之則接近于0。為此，$b$和$b^{'}$的交并集區(qū)域計(jì)算變?yōu)?#xff1a;

為了降低公式11的計(jì)算量，簡化為：

基于公式10和公式12，PIoU的計(jì)算為：

定義$M$為所有正樣本對，PIoU損失的計(jì)算為：

PIoU損失也可用于無交集的OBB，因?yàn)镻IoU始終大于零，梯度依然可以計(jì)算，另外PIoU損失也可以用于正常的BB場景中。

Retail50K Dataset

之前的大多數(shù)OBB數(shù)據(jù)集都是航空圖片，少部分?jǐn)?shù)據(jù)集對MSCOCO等數(shù)據(jù)集進(jìn)行重新標(biāo)注。據(jù)統(tǒng)計(jì)，航空圖片數(shù)據(jù)集中大多數(shù)OBB的長寬比都在1:4內(nèi)，而主流數(shù)據(jù)集則集中在1:1，不能夠很好地評價(jià)OBB-based方法的性能。為此，論文提供了Retail50K數(shù)據(jù)集，由47000張不同的超市圖片構(gòu)成，標(biāo)注對象為貨架的層架邊。數(shù)據(jù)集包含復(fù)雜的背景和高長寬比目標(biāo)，并且具有實(shí)際使用意義。

Experiments

不同$k$下對比實(shí)驗(yàn)。

對比其它損失函數(shù)在OBB場景下的性能。

對比其它損失函數(shù)在BB場景下的性能。

Retail50K數(shù)據(jù)集上的性能對比。

HRSC2016數(shù)據(jù)上的性能對比。

DOTA數(shù)據(jù)上的性能對比。

結(jié)果可視化對比。

Conclustion

論文提出從IoU指標(biāo)延伸來的PIoU損失函數(shù)，能夠有效地提高傾斜目標(biāo)檢測場景下的旋轉(zhuǎn)角度預(yù)測和IoU效果，對anchor-based方法和anchor-free方法均適用。從結(jié)果來看，PIoU損失的效果還是十分明顯的。另外論文提供了Retail50K數(shù)據(jù)集，能夠很好地用于評估傾斜目標(biāo)檢測算法的性能。

> 如果本文對你有幫助，麻煩點(diǎn)個(gè)贊或在看唄～

更多內(nèi)容請關(guān)注 微信公眾號【曉飛的算法工程筆記】

總結(jié)

以上是生活随笔為你收集整理的hrsc2016 下载 数据集_PIoU Loss：倾斜目标检测专用损失函数，公开超难倾斜目标数据集Retail50K | ECCV 2020 Spotlight...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。