PIoU Loss：傾斜目標檢測專用損失函數，公開超難傾斜目標數據集Retail50K | ECCV 2020 Spotlight

論文提出從IoU指標延伸來的PIoU損失函數，可以有效地提升傾斜目標檢測場景下的旋轉角度預測和IoU效果，對anchor-based方法和anchor-free方法均適用。另外論文提供了Retail50K數據集，可以很好地用於評估傾斜目標檢測算法的性能
 
來源：曉飛的算法工程筆記 公衆號

論文: PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

• 論文地址：https://arxiv.org/abs/2007.09584
• 論文代碼：https://github.com/clobotics/piou

Introduction

---

  當前的目標檢測方法因爲BB(bounding boxes)的特性，對傾斜和密集物體的檢測存在必定的侷限性。爲了解決這個問題，研究者擴展出了帶旋轉參數的OBB(oriented bounding boxes)，即從BB($c_x,c_y,w,h$)擴展爲OBB($c_x,c_y,w,h,\theta$)，其中$\theta$旋轉角度，這樣OBB就能更緊湊地包圍目標，能夠更好地檢測旋轉和密集的物體。

  目前的OBB-based方法大多數在anchor-based架構上採用距離損失來優化上述的5個參數，而且在航空圖片的目標檢測上已經有一些應用。但其檢測性能在更復雜的場景中依然存在侷限性，主要緣由在於距離損失更多地是優化旋轉角度偏差，而不是優化全局IoU，特別是對長條形物體很不敏感。如圖a所示，兩個IoU相差很大的情景下，距離損失的結果倒是同樣的。

  爲了解決這個問題，論文提出PIoU(Pixels-IOU)損失來同時提升旋轉角度和IoU的準確率。如圖b所示，PIoU損失能直接反映物體間的IoU，但因爲OBB間的相交區域多是多邊形，OBB的IoU比BB的IoU要難算得多，因此PIoU損失以逐像素判斷的方式進行IoU計算而且是連續可微的。另外論文還提供了包含高長寬比傾斜目標的檢測數據集Retail50K，方便OBB-based檢測算法的研究。
  論文的貢獻以下：

• 提出新的損失函數PIoU損失，可以提高傾斜目標的檢測效果。
• 提供新的數據集Retail50K，能夠更好的進行OBB-based算法的評估。
• 經過實驗證實PIoU損失的有效性，可以運用於anchor-based和anchor-free方法。

Pixels-IoU (PIoU) Loss

---

  對於OBB $b$($c_x, c_y, w,h,\theta$)，理想的損失函數可以引導網絡最大化IoU，下降$b$的錯誤率。爲了到達這個目的，須要準確且高效地計算OBB間的IoU，論文采用了像素計數的方式來計算IoU。

  對於點$p_{ij}$和OBB $b$，根據其到中線的距離$d^{h_{i,j}$和中線交點到中點的距離$d}w_{i,j}$來判斷點是否在OBB內：

  定義$B_{b,b^{{'}}$爲包圍$b$和$b}{'}$的最小正方形，能夠經過判斷$B_{b,b^{{'}}$中的全部像素來計算$b$和$b}{'}$間的交集區域和並集區域：

  最後經過$S_{b\cap b^{'}}$除以$S_{b\cup b^{'}}$計算IoU，但公式1並非連續可微函數，致使不能進行反向傳播訓練。爲了解決這個問題，將公式1轉換爲兩個核的乘積$F(p_{i,j}|b)$：

  其中$k$用於控制對目標像素$p_{i,j}$的敏感程度，因爲公式9使用了相對位置信息(圖a的點距離和三角形的角度)，因此$S_{b\cap b^{'}}$和$S_{b\cup b^{'}}$均是對OBB的旋轉角度和大小敏感的。

  如圖b所示，$F(p_{i,j}|b)$是連續可微的，且與公式1相似。當$p_{i,j}$在$b$內時，$F(p_{i,j}|b)$接近於1，反之則接近於0。爲此，$b$和$b^{'}$的交併集區域計算變爲：

  爲了下降公式11的計算量，簡化爲：

  基於公式10和公式12，PIoU的計算爲：

  定義$M$爲全部正樣本對，PIoU損失的計算爲：

  PIoU損失也可用於無交集的OBB，由於PIoU始終大於零，梯度依然能夠計算，另外PIoU損失也能夠用於正常的BB場景中。

Retail50K Dataset

---

  以前的大多數OBB數據集都是航空圖片，少部分數據集對MSCOCO等數據集進行從新標註。據統計，航空圖片數據集中大多數OBB的長寬比都在1:4內，而主流數據集則集中在1:1，不可以很好地評價OBB-based方法的性能。爲此，論文提供了Retail50K數據集，由47000張不一樣的超市圖片構成，標註對象爲貨架的層架邊。數據集包含複雜的背景和高長寬比目標，而且具備實際使用意義。

Experiments

---

  不一樣$k$下對比實驗。

  對比其它損失函數在OBB場景下的性能。

  對比其它損失函數在BB場景下的性能。

  Retail50K數據集上的性能對比。

  HRSC2016數據上的性能對比。

  DOTA數據上的性能對比。

  結果可視化對比。

Conclustion

---

  論文提出從IoU指標延伸來的PIoU損失函數，可以有效地提升傾斜目標檢測場景下的旋轉角度預測和IoU效果，對anchor-based方法和anchor-free方法均適用。從結果來看，PIoU損失的效果仍是十分明顯的。另外論文提供了Retail50K數據集，可以很好地用於評估傾斜目標檢測算法的性能。

 
 
 

若是本文對你有幫助，麻煩點個贊或在看唄～
更多內容請關注 微信公衆號【曉飛的算法工程筆記】