Neural network 目标检测可能的回归损失_Neural Network_Computer Vision_Object Detection_Bounding Box_Loss Function

Neural network 目标检测可能的回归损失

neural-network computer-vision

Neural network 目标检测可能的回归损失,neural-network,computer-vision,object-detection,bounding-box,loss-function,Neural Network,Computer Vision,Object Detection,Bounding Box,Loss Function,许多对象检测算法将边界框预测为（xmin、ymin、xmax、ymax），表示边界框的左上角和右下角。此外，为了避免梯度爆炸，大多数论文建议平滑L1损失或简单L1损失我的问题是，是否有其他方法的成功尝试比如说预测框的左上角点（x，y）、宽度和高度预测长方体的中心点（x，y）、宽度和高度预测长方体的中心点（x，y）、大小和纵横比预测中心点（x，y）、尺寸和tan-1（纵横比）此外，其中一些选项可能包括某些属性的不同重要性/权重。例如，找到一个好的中心点和尺寸可能比合适的纵横比更重

许多对象检测算法将边界框预测为（xmin、ymin、xmax、ymax），表示边界框的左上角和右下角。此外，为了避免梯度爆炸，大多数论文建议平滑L1损失或简单L1损失

我的问题是，是否有其他方法的成功尝试

比如说

预测框的左上角点（x，y）、宽度和高度
预测长方体的中心点（x，y）、宽度和高度
预测长方体的中心点（x，y）、大小和纵横比
预测中心点（x，y）、尺寸和tan-1（纵横比）

此外，其中一些选项可能包括某些属性的不同重要性/权重。例如，找到一个好的中心点和尺寸可能比合适的纵横比更重要。此外，可能明智的做法是使用L1损耗作为中心点，而L2用于大小或纵横比。你知道有关于这个话题的研究吗

谢谢