深度学习Tricks，第一时间送达

论文题目：《Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression》

论文地址： https://arxiv.org/abs/2110.13675v2

1.论文简介：

文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列具有一个Power IoU项和一个附加的Power正则项，具有单个Power参数α。称这种新的损失系列为α-IoU Loss。在多目标检测基准和模型上的实验表明，α-IoU损失：

可以显著地超过现有的基于IoU的损失;
通过调节α，使检测器在实现不同水平的bbox回归精度方面具有更大的灵活性;
对小数据集和噪声的鲁棒性更强。

实验结果表明，α(α>1)增加了high IoU目标的损失和梯度，进而提高了bbox回归精度。

power参数α可作为调节α-IoU损失的超参数以满足不同水平的bbox回归精度，其中α >1通过更多地关注High IoU目标来获得高的回归精度(即High IoU阈值)。

α对不同的模型或数据集并不过度敏感，在大多数情况下，α=3表现一贯良好。α-IoU损失家族可以很容易地用于改进检测器的效果，在干净或嘈杂的环境下，不会引入额外的参数，也不增加训练/推理时间。

2.相应代码：

def bbox_alpha_iou(box1, box2, x1y1x2y2=False, GIoU=False, DIoU=False, CIoU=False, EIoU=False, alpha=3, eps=1e-9):# Returns tsqrt_he IoU of box1 to box2. box1 is 4, box2 is nx4box2 = box2.T# Get the coordinates of bounding boxesif x1y1x2y2:  # x1, y1, x2, y2 = box1b1_x1, b1_y1, b1_x2, b1_y2 = box1[0], box1[1], box1[2], box1[3]b2_x1, b2_y1, b2_x2, b2_y2 = box2[0], box2[1], box2[2], box2[3]else:  # transform from xywh to xyxyb1_x1, b1_x2 = box1[0] - box1[2] / 2, box1[0] + box1[2] / 2b1_y1, b1_y2 = box1[1] - box1[3] / 2, box1[1] + box1[3] / 2b2_x1, b2_x2 = box2[0] - box2[2] / 2, box2[0] + box2[2] / 2b2_y1, b2_y2 = box2[1] - box2[3] / 2, box2[1] + box2[3] / 2# Intersection areainter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \(torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)# Union Areaw1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + epsw2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + epsunion = w1 * h1 + w2 * h2 - inter + eps# change iou into pow(iou+eps) 加入α次幂# alpha iouiou = torch.pow(inter / union + eps, alpha)beta = 2 * alphaif GIoU or DIoU or CIoU or EIoU:# 两个框的最小闭包区域的width和heightcw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # convex (smallest enclosing box) widthch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # convex heightif CIoU or DIoU or EIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1# 最小外接矩形 对角线的长度平方c2 = cw ** beta + ch ** beta + eps  # convex diagonalrho_x = torch.abs(b2_x1 + b2_x2 - b1_x1 - b1_x2)rho_y = torch.abs(b2_y1 + b2_y2 - b1_y1 - b1_y2)# 两个框中心点之间距离的平方rho2 = (rho_x ** beta + rho_y ** beta) / (2 ** beta)  # center distanceif DIoU:return iou - rho2 / c2  # DIoUelif CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)with torch.no_grad():alpha_ciou = v / ((1 + eps) - inter / union + v)# return iou - (rho2 / c2 + v * alpha_ciou)  # CIoUreturn iou - (rho2 / c2 + torch.pow(v * alpha_ciou + eps, alpha))  # CIoU# EIoU 在CIoU的基础上# 将预测框宽高的纵横比损失项 拆分成预测框的宽高分别与最小外接框宽高的差值# 加速了收敛提高了回归精度elif EIoU:rho_w2 = ((b2_x2 - b2_x1) - (b1_x2 - b1_x1)) ** betarho_h2 = ((b2_y2 - b2_y1) - (b1_y2 - b1_y1)) ** betacw2 = cw ** beta + epsch2 = ch ** beta + epsreturn iou - (rho2 / c2 + rho_w2 / cw2 + rho_h2 / ch2)# GIoU https://arxiv.org/pdf/1902.09630.pdfc_area = torch.max(cw * ch + eps, union)  # convex areareturn iou - torch.pow((c_area - union) / c_area + eps, alpha)  # GIoUelse:return iou  # torch.log(iou+eps) or iou

最后，将utils/loss.py文件中的iou=bbox_iou换iou=bbox_alpha_iou即可。

关于相机的使用

mybase修改默认的markdown样式

wxPython wx.Font类的纠正 · wx.Font教程

echarts图表之去掉折线图的折点圆圈，实测有效

uni-app真机预览调试：关于ios系统真机调试的操作步骤