一、背景 目标检测和实例分割中的关键问题： 现有的大多数边界框回归损失函数在不同的预测结果下可能具有相同的值，这降低了边界框回归的收敛速度和准确性。 现有损失函数的不足： 现有的基于 ℓ n \ell_n ℓn​范数的损失函数简单但对各种尺度敏感。当预测框与真实框具有相同的宽高比但不同的宽度和高度值时，现有损失函数可能会存在问题，限制了收敛速度和准确性。 文章目录 一、背景二、原理2.

前言：Hello大家好，我是小哥谈。损失函数是机器学习中用来衡量模型预测值与真实值之间差异的函数。在训练模型时，我们希望通过不断调整模型参数，使得损失函数的值最小化，从而使得模型的预测值更加接近真实值。不同的损失函数适用于不同的问题，例如均方误差损失函数适用于回归问题，交叉熵损失函数适用于分类问题。选择合适的损失函数对于模型的训练和性能至关重要。本节课就重点说下MPDIoU损失函数的更换！~

💡💡💡本文独家改进：Inner-IoU引入尺度因子 ratio 控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合 💡💡💡适用场景：小目标数据集，进一步提升检测精度，强烈推荐 《YOLOv9魔术师专栏》将从以下各个方向进行创新： 【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结

前言 大家好，我是Snu77，这里是RT-DETR有效涨点专栏。 本专栏的内容为根据ultralytics版本的RT-DETR进行改进，内容持续更新，每周更新文章数量3-10篇。 专栏以ResNet18、ResNet50为基础修改版本，同时修改内容也支持ResNet32、ResNet101和PPHGNet版本，其中ResNet为RT-DETR官方版本1：1移植过来的，参数量基本保持一致(误差

文章目录 摘要1、简介2、相关工作2.1、目标检测和实例分割2.2. 场景文本识别2.3、边界框回归的损失函数 3、点距最小的并集交点4、实验结果4.1、 实验设置4.2、数据集4.3、 评估协议4.4、 目标检测的实验结果4.5、 字符级场景文本识别的实验结果4.6、 实例分割的实验结果 5、 结论 摘要 https://arxiv.org/pdf/2307.07662

摘要 MPDIoU（Minimum Point Distance based IoU）是一种用于边界框回归的损失函数，旨在解决现有损失函数在预测边界框与真值边界框具有相同长宽比但宽度和高度的值完全不同时无法有效优化的问题。 MPDIoU包含三个关键因素：重叠或非重叠区域、中心点距离以及宽度和高度的偏差。它通过最小化预测边界框和真值边界框之间的点距离来计算IoU，从而简化了计算过程。 将MP