PIoU损失函数能有效提高倾斜目标检测场景下的旋转角度预测和IoU效果，对anchor-based和anchor-free均适用。另外，论文还提供了Retail50K数据集，有助于评估算法的性能。
PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments
论文地址：
https://arxiv.org/abs/2007.09584
代码链接：
https://github.com/clobotics/piou
Introduction
当前的目标检测方法由于BB(bounding boxes)的特性，对倾斜和密集物体的检测存在一定的局限性。为了解决这个问题，研究者扩展出了带旋转参数的OBB(oriented bounding boxes)，即从BB(
)扩展为OBB(
)，其中
旋转角度，这样OBB就能更紧凑地包围目标，可以更好地检测旋转和密集的物体。
目前的OBB-based方法大多数在anchor-based架构上采用距离损失来优化上述的5个参数，并且在航空图片的目标检测上已经有一些应用。但其检测性能在更复杂的场景中依然存在局限性，主要原因在于距离损失更多地是优化旋转角度误差，而不是优化全局IoU，特别是对长条形物体很不敏感。如图a所示，两个IoU相差很大的情景下，距离损失的结果却是一样的。
为了解决这个问题，论文提出PIoU(Pixels-IOU)损失来同时提高旋转角度和IoU的准确率。如图b所示，PIoU损失能直接反映物体间的IoU，但由于OBB间的相交区域可能是多边形，OBB的IoU比BB的IoU要难算得多，所以PIoU损失以逐像素判断的方式进行IoU计算并且是连续可微的。另外论文还提供了包含高长宽比倾斜目标的检测数据集Retail50K，方便OBB-based检测算法的研究。
提出新的损失函数PIoU损失，能够提升倾斜目标的检测效果。
提供新的数据集Retail50K，可以更好的进行OBB-based算法的评估。
通过实验证明PIoU损失的有效性，能够运用于anchor-based和anchor-free方法。
Pixels-IoU (PIoU) Loss
对于OBB
(
)，理想的损失函数能够引导网络最大化IoU，降低
的错误率。为了到达这个目的，需要准确且高效地计算OBB间的IoU，论文采用了像素计数的方式来计算IoU。
对于点
和OBB
，根据其到中线的距离
和中线交点到中点的距离
来判断点是否在OBB内：
定义
为包围
和
的最小正方形，可以通过判断
中的所有像素来计算
和
间的交集区域和并集区域：
最后通过
除以
计算IoU，但公式1并不是连续可微函数，导致不能进行反向传播训练。为了解决这个问题，将公式1转换为两个核的乘积
：
其中
用于控制对目标像素
的敏感程度，由于公式9使用了相对位置信息(图a的点距离和三角形的角度)，所以
和
均是对OBB的旋转角度和大小敏感的。
如图b所示，
是连续可微的，且与公式1类似。当
在
内时，
接近于1，反之则接近于0。为此，
和
的交并集区域计算变为：
PIoU损失也可用于无交集的OBB，因为PIoU始终大于零，梯度依然可以计算，另外PIoU损失也可以用于正常的BB场景中。
Retail50K Dataset
之前的大多数OBB数据集都是航空图片，少部分数据集对MSCOCO等数据集进行重新标注。据统计，航空图片数据集中大多数OBB的长宽比都在1:4内，而主流数据集则集中在1:1，不能够很好地评价OBB-based方法的性能。为此，论文提供了Retail50K数据集，由47000张不同的超市图片构成，标注对象为货架的层架边。数据集包含复杂的背景和高长宽比目标，并且具有实际使用意义。
Experiments
结果可视化对比。
Conclustion
论文提出从IoU指标延伸来的PIoU损失函数，能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果，对anchor-based方法和anchor-free方法均适用。从结果来看，PIoU损失的效果还是十分明显的。另外论文提供了Retail50K数据集，能够很好地用于评估倾斜目标检测算法的性能。
推荐阅读
极市征集了大家关于陪伴的故事
投票通道现已开启
快来为你喜爱的TA加油吧！
极市平台公众号回复“七夕”即可获取投票链接
大家可添加极小东微信（ID：cvmart3）投稿~
△ 扫码添加极小东微信
添加极市小助手微信（ID : cvmart2），备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳），即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群：每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~
觉得有用麻烦给个在看啦~ 
