即插即用 | SIoU 實現(xiàn)50.3 AP+7.6ms檢測速度精度、速度完美超越Y(jié)oloV5、YoloX

目標檢測是計算機視覺任務(wù)的核心問題之一，其有效性在很大程度上取決于損失函數(shù)的定義。傳統(tǒng)的目標檢測損失函數(shù)依賴于邊界框回歸指標的聚合，例如預(yù)測框和真實框（即 GIoU、CIoU、ICIoU 等）的距離、重疊區(qū)域和縱橫比。

然而，迄今為止提出和使用的方法都沒有考慮到所需真實框與預(yù)測框之間不匹配的方向。這種不足導(dǎo)致收斂速度較慢且效率較低，因為預(yù)測框可能在訓(xùn)練過程中“四處游蕩”并最終產(chǎn)生更差的模型。

在本文中，提出了一種新的損失函數(shù) SIoU，其中考慮到所需回歸之間的向量角度，重新定義了懲罰指標。應(yīng)用于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)集，表明 SIoU 提高了訓(xùn)練的速度和推理的準確性。

在許多模擬和測試中揭示了所提出的損失函數(shù)的有效性。特別是，將 SIoU 應(yīng)用于 COCO-train/COCO-val 與其他損失函數(shù)相比，提高了 +2.4% ([email protected]:0.95) 和 +3.6%([email protected])。

1簡介

我們都知道目標檢測中損失函數(shù)（LF）的定義起著重要作用。后者作為一種懲罰措施，需要在訓(xùn)練期間最小化，并且理想情況下可以將勾勒出目標的預(yù)測框與相應(yīng)的真實框匹配。為目標檢測問題定義 LF 有不同的方法，這些方法考慮到框的以下“不匹配”指標的某種組合：框中心之間的距離、重疊區(qū)域和縱橫比。

最近 Rezatofighi 等人聲稱Generalized IoU (GIoU) LF優(yōu)于其他標準 LF 的最先進的目標檢測方法。雖然這些方法對訓(xùn)練過程和最終結(jié)果都產(chǎn)生了積極影響，但作者認為仍有很大改進的空間。因此，與用于計算圖像中真實框和模型預(yù)測框不匹配的懲罰的傳統(tǒng)指標并行——即距離、形狀和 IoU，本文作者建議還要考慮匹配的方向。這種添加極大地幫助了訓(xùn)練收斂過程和效果，因為它可以讓預(yù)測框很快地移動到最近的軸，并且隨后的方法只需要一個坐標 X 或 Y 的回歸。簡而言之，添加Angle懲罰成本有效地減少了損失的總自由度。

2SIoU Loss

SIoU損失函數(shù)由4個Cost函數(shù)組成：

• Angle cost
• Distance cost
• Shape cost
• IoU cost

2.1 Angle cost

添加這種角度感知 LF 組件背后的想法是最大限度地減少與距離相關(guān)的“奇妙”中的變量數(shù)量。基本上，模型將嘗試首先將預(yù)測帶到 X 或 Y 軸（以最接近者為準），然后沿著相關(guān)軸繼續(xù)接近。

如果 ?? ≤Π/4，收斂過程將首先最小化?? ， 否則最小化β：

為了首先實現(xiàn)這一點，以以下方式引入和定義了LF組件：

其中，

Angle cost的曲線如圖2所示。

2.2 Distance cost

考慮到上面定義的Angle cost，重新定義了Distance cost：

其中，

可以看出，當(dāng)??→0時，Distance cost的貢獻大大降低。相反，??越接近Π/4，Distance cost貢獻越大。隨著角度的增大，問題變得越來越難。因此，γ被賦予時間優(yōu)先的距離值，隨著角度的增加。

2.3 Shape cost

Shape cost的定義為：

其中，

?? 的值定義了每個數(shù)據(jù)集的Shape cost及其值是唯一的。?? 的值是這個等式中非常重要的一項，它控制著對Shape cost的關(guān)注程度。如果 ?? 的值設(shè)置為 1，它將立即優(yōu)化一個Shape，從而損害Shape的自由移動。為了計算 ?? 的值，作者將遺傳算法用于每個數(shù)據(jù)集，實驗上 ?? 的值接近 4，文中作者為此參數(shù)定義的范圍是 2 到 6。

2.4 IoU Cost

IoU cost的定義為：

其中，

2.5 SIoU Loss

最后，回歸損失函數(shù)為:

總損失函數(shù)為：

其中 是Focal Loss，、分別是框和分類損失權(quán)重。為了計算、、??，使用了遺傳算法。

3實驗結(jié)果

圖 10 總結(jié)了不同模型與 [email protected]:0.95 的推理時間。顯然，Scylla-Net 的 mAP 值較高，而模型推理時間遠低于比較模型的推理時間。

COCO-val 上 SIoU 的 mAP 為 52.7% [email protected]:0.95（包括預(yù)處理、推理和后處理為 7.6ms）和 70% [email protected]，同時 CIoU 為分別只有 50.3% 和 66.4%。

更大的模型可以達到 57.1% [email protected]:0.95（12ms 包括預(yù)處理、推理和后處理）和 74.3% [email protected]，而其他架構(gòu)如 Efficient-Det-d7x、YOLO-V4 和 YOLO-V5 可以達到[email protected]:0.95分別為 54.4% (153ms)、47.1% (26.3ms) 和 50.4%（使用 fp16 進行 6.1ms）。

請注意，YOLO-V5x6-TTA 在 COCO-val 上可以達到約 55%，但推理時間非常慢（FP16 時約為 72ms）。

4參考

[1].SIoU Loss: More Powerful Learning for Bounding Box Regression