PENINGKATAN PERFORMA YOU ONLY LOOK ONCE V4 DENGAN HYBRID HYPERPARAMETER LOSS FUNCTION

Loss function merupakan salah satu dari banyaknya hyperparameter pada algoritma
deteksi objek yang digunakan untuk mengukur sejauh mana prediksi model dari nilai
sebenarnya. IoU (Intersection over Union) merupakan metrik yang digunakan untuk
mengevaluasi prediksi tersebut. Loss function akan memberikan umpan balik kepada
model untuk memperbaiki parameter tersebut sehingga prediksi dan lokalisasi bisa
lebih baik. Algoritma YOLOv4 memberikan beberapa opsi untuk hyperparameter
yaitu GIoU, DIoU, dan CIoU (default). Namun, tiap loss function tersebut memiliki
beberapa limitasi, seperti GIoU yang lambat dan dapat turun menjadi IoU, ataupun
CIoU yang sensitif terhadap bounding box dan ground truth yang rasio boxnya sama,
sehingga dapat turun ke DIoU dan mengurangi kecepatan konvergensi. Oleh karena
itu, peneliti menawarkan loss function baru dimana dapat mengatasi limitasi kedua loss
function tersebut. Penelitian yang ditawarkan adalah metode hybrid GIoU + CIoU.
Dengan metode ini GIoU tidak akan turun menjadi IoU dan rasio kedua box pada CIoU
akan selalu berbeda, sehingga dapat meningkatkan kemampuan GIoU dan CIoU pada
formula loss function yang baru. Pada simulasi kecepatan konvergensi menunjukkan
bahwa usulan loss function ini lebih cepat 14% dan dapat meningkatkan mAP sebanyak
2.20% dibanding CIoU loss pada dataset PASCAL VOC 2007 dengan menawarkan
akurasi yang baik serta konsisten pada threshold tinggi. Hal serupa juga berlaku pada
PASCAL VOC 2007 + 2012 yang diberikan noise, mAP meningkat sebanyak 0.5%.
Terakhir, usulan loss function ini dapat mendeteksi lebih banyak objek positif, dan
mengurangi false positive dibanding dengan CIoU loss, karena loss ini menawarkan
kemampuan lokalisasi dan klasifikasi yang lebih baik.