基于CIPP模型和AHP的研究生课程思政评价体系研究

Key Words:目标检测;优化边界框回归;Kullback-Leibler(KL)损失;faster R-CNN

Abstract:目标检测是计算机视觉任务中的关键问题之一,而边界框回归是目标检测的重要步骤。现有方法认为交并比(IoU)损失有利于度量IoU,但仍然存在收敛速度慢和回归不准确的问题。此外,大规模的目标检测数据集尽可能地清晰定义真实边界框,但在标记边界框时仍然会引入偏差。本文基于CIoU损失和边界框回归Kullback-Leibler(KL)损失提出了优化IoU(OIoU)边界框损失,主要通过学习边界变换和定位方差解决上述问题。OIoU不仅用于评估本地化置信度还可以计算标准差和边界框位置,在解决边界框标注时带来的偏差、回归不准确问题的同时加快了收敛速度。在PASCAL VOC和MS-COCO两个数据集上证明了优化边界框损失在检测精度和收敛速度上要优于原有的方法。

Volume:v.31;No.367

Issue:07

Translation or Not:no