BriefGPT - AI 论文速递
·
面向定向物体检测的边缘瓦瑟斯坦距离损失
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
回归损失设计是面向对象检测的重要课题。本文提出了一种新的有方向回归损失，Wasserstein距离（EWD）损失，以缓解度量不连续和类似方形的问题。实验证明该方法在多个数据集和检测器上有效。
🎯
关键要点
- 回归损失设计是面向对象检测的重要课题。
- 传统的 L1 距离损失面临度量不连续和类似方形的问题。
- 分布基方法通过将有方向的框表示为分布显示出显著优势。
- 提出了一种新颖的有方向回归损失，Wasserstein距离（EWD）损失。
- EWD损失可以缓解类似于方形的问题。
- EWD损失基于有方向框的边缘表示，可以推广到四边形和多项式回归场景。
- 实验证明该方法在多个常用数据集和不同的检测器上有效。
🏷️
标签
➡️
