[论文解读] Control Distance IoU and Control Distance IoU Loss Function for Better Bounding Box Regression

Dong Chen, Duoqian Miao|arXiv (Cornell University)|Mar 22, 2021

Advanced Neural Network Applications参考文献 34被引用 12

一句话总结

本文提出控制距离IoU（CDIoU）和CDIoU损失，这是一种用于目标检测的统一评估-反馈模块，可在不增加参数量或FLOPs的前提下提升边界框回归性能。通过使用一致的距离度量方法将IoU计算与损失函数对齐，CDIoU提升了收敛性与性能，在Faster R-CNN、YOLOv4、RetinaNet和ATSS模型上于MS COCO数据集上实现了最高1.9%的AP提升。

ABSTRACT

Numerous improvements for feedback mechanisms have contributed to the great progress in object detection. In this paper, we first present an evaluation-feedback module, which is proposed to consist of evaluation system and feedback mechanism. Then we analyze and summarize the disadvantages and improvements of traditional evaluation-feedback module. Finally, we focus on both the evaluation system and the feedback mechanism, and propose Control Distance IoU and Control Distance IoU loss function (or CDIoU and CDIoU loss for short) without increasing parameters or FLOPs in models, which show different significant enhancements on several classical and emerging models. Some experiments and comparative tests show that coordinated evaluation-feedback module can effectively improve model performance. CDIoU and CDIoU loss have different excellent performances in several models such as Faster R-CNN, YOLOv4, RetinaNet and ATSS. There is a maximum AP improvement of 1.9% and an average AP of 0.8% improvement on MS COCO dataset, compared to traditional evaluation-feedback modules.

研究动机与目标

• 解决目标检测中传统评估-反馈模块存在的效率低下与不一致问题。
• 通过使用一致的度量标准统一评估系统与反馈机制，改进边界框回归。
• 在不增加模型复杂度或推理成本的前提下，提升模型收敛性与性能。
• 开发一种即插即用的模块，兼容多种单阶段与两阶段检测器。

提出的方法

• 提出控制距离IoU（CDIoU）作为新型基于IoU的评估度量，将重叠度、中心点距离与长宽比统一为单一可微分形式。
• 引入CDIoU损失作为反馈机制，其与CDIoU直接相关，可实现更精确的梯度更新。
• 采用区域提议与真实框之间的统一距离度量，简化并稳定回归过程。
• 采用连续且可微分的公式，提升训练过程中的梯度流动与收敛速度。
• 将CDIoU与CDIoU损失作为IoU与基于IoU损失的即插即用替代品，应用于现有检测框架。
• 在Faster R-CNN、YOLOv4、RetinaNet与ATSS等多种模型上验证方法，确保广泛兼容性。

实验结果

研究问题

• RQ1 统一的评估-反馈模块是否能在不增加模型复杂度的前提下提升目标检测性能？
• RQ2 将IoU评估度量与损失函数对齐，对回归精度与收敛性有何影响？
• RQ3 CDIoU与CDIoU损失对多种目标检测架构的AP有何影响？
• RQ4 所提方法是否能在基于锚点与无锚点检测器中均实现一致的性能提升？

主要发现

• 与传统评估-反馈模块相比，CDIoU与CDIoU损失在MS COCO数据集上实现了平均0.8%的AP提升。
• 在Faster R-CNN与ATSS的实验中，AP最大提升达到1.9%。
• 该方法在Faster R-CNN、YOLOv4、RetinaNet与ATSS等多种模型上均表现出一致的性能增益，证明其广泛适用性。
• CDIoU与CDIoU损失联合使用可产生叠加的性能增益，证实评估与反馈之间的一致性至关重要。
• 评估-反馈模块保持了相同的参数量与FLOPs，证明其高效且适用于真实系统部署。
• 浮动学习率调度与自动GT聚类分析进一步提升了性能，尤其在基础模型中效果显著。