FPDIoU Loss: A Loss Function for Efficient Bounding Box Regression of Rotated Object Detection

边界框回归是目标检测中重要的步骤之一。然而，旋转检测器通常涉及基于SkewIoU的更复杂的损失，这对于基于梯度的训练不友好。大多数现有的旋转目标检测损失函数仅计算两个边界框之间的差异，只关注面积偏差或每个点之间的距离（例如$\mathcal{L}_{Smooth-\ell 1}$、$\mathcal{L}_{RotatedIoU}$和$\mathcal{L}_{PIoU}$）。一些损失函数的计算过程非常复杂（例如$\mathcal{L}_{KFIoU}$）。为了提高旋转目标检测的边界框回归的效率和准确性，我们提出了一种基于最小点距离的任意形状比较新度量标准，考虑了现有旋转目标检测损失函数的大多数因素，即重叠或非重叠区域、中心点距离和旋转角度。我们还提出了一种基于四个点距离的损失函数$\mathcal{L}_{FPDIoU}$，用于精确的边界框回归，专注于更快速和高质量的anchor boxes。在实验中，$FPDIoU$损失已应用于最先进的旋转目标检测（例如RTMDET、H2RBox）模型的训练，包括DOTA、DIOR、HRSC2016三个旋转目标检测流行基准和ICDAR 2017 RRC-MLT和ICDAR 2019 RRC-MLT两个任意方向场景文本检测基准，取得了比现有损失函数更好的性能。

提高旋转目标检测中边界框回归的效率和准确性

提出了一种基于最小点距离的新指标FPDIoU和相应的损失函数，用于旋转目标检测中的边界框回归

通过在DOTA、DIOR、HRSC2016、ICDAR 2017 RRC-MLT和ICDAR 2019 RRC-MLT等数据集上的实验，表明FPDIoU损失函数比现有的损失函数效果更好

现有的旋转目标检测中的边界框回归的损失函数包括Smooth-L1、RotatedIoU、PIoU和KFIoU等