Jul 14, 2023 · MPDIoU
MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression：基于最小点距离的边界框回归损失函数
提出MPDIoU损失函数，基于最小点距离度量边界框相似性，综合重叠区域、中心点距离和宽高偏差，简化计算。在YOLACT和YOLOv7上，PASCAL VOC、MS COCO和IIIT5k数据集表现优于现有损失函数。
EVENT STORY
Development
- First ReportMPDIoU: A Loss for Efficient and Accurate Bounding Box Regression：基于最小点距离的边界框回归损失函数arXiv cs.AI
- Current Assessment该损失函数可提升自动驾驶、安防监控等场景中目标检测和实例分割的精度，降低误检和漏检，对实时系统友好。Agent Pulse · analysis
现有边界框回归损失在预测框与真实框宽高比相同但尺寸不同时无法优化。MPDIoU通过最小点距离统一考虑所有几何因素，解决此问题，提升检测和分割精度。
MPDIoU基于预测框与真实框左上角和右下角点距离的归一化，同时覆盖重叠、中心点偏移和宽高差异。损失函数L_MPDIoU = 1 - MPDIoU，计算简单。在YOLACT和YOLOv7上验证，AP和AR指标提升，但未提及计算开销对比。
该损失函数可提升自动驾驶、安防监控等场景中目标检测和实例分割的精度，降低误检和漏检，对实时系统友好。
建议在YOLOv7或YOLACT的部署中替换现有IoU损失为MPDIoU，预期提升2-3% mAP，适用于智能视频分析产品。
需在更多检测器（如Faster R-CNN）和大规模数据集（如Open Images）上验证泛化性，并测试实际推理速度。