💡💡💡本文独家改进：更加聚焦的IoU损失Focaler-IoU，能够在不同的检测任务中聚焦不同的回归样本，使用线性区间映射的方法来重构IoU损失

二次创如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等

1.Focaler-IoU原理介绍

​

论文：https://arxiv.org/pdf/2401.10525.pdf 

摘要：边框回归在目标检测领域起着至关重要的作用，而目标检测的定位精度很大程度上取决于边框回归的损失函数。现有研究通过利用边框之间的几何关系来提高回归性能，而忽略了样本难易分布对边框回归的影响。在本文中，我们分析了难易样本分布对回归结果的影响，然后提出Focaler-IoU，通过关注不同难易的回归样本，可以提高检测器在不同检测任务中的性能。最后，针对不同的检测任务，使用现有的先进检测器和回归方法进行对比实验，使用本文提出的方法进一步提高了检测性能。

​

本文分析：

在各种目标检测任务中都存在着样本不平衡的问题，根据目标检测的难易程度可以分为困难样本和简单样本。从目标尺度分析的角度来看，一般的检测目标可视为简单样本，而极小的目标由于难以精确定位，可视为困难样本。对于以简单样本为主的检测任务，在边界盒回归过程中关注简单样本有助于提高检测性能。相比之下，对于难度样本比例较高的检测任务，需要重点关注难度样本的边界盒回归。

如图所示:(a)和(b)分别表示困难样本和简单样本的线性区间映射曲线。

Focaler-IoU

为了专注于不同的回归样本，能够专注于不同的检测任务，我们使用线性区间映射方法来重建IoU损失，这允许改进边缘回归。公式如下: 

其中IoUfocaler是重构后的focer -IoU, IoU是为原IoU值，[d, u]∈[0,1]。通过调整d和u的值，我们可以使IoUfocaler关注的焦点不同回归样本。其损失定义如下:

IoU的边界盒回归损失函数，分别为LFocaler−GIoU、LFocaler−DIoU、LFocaler−CIoU、LFocaler−EIoU和LFocaler−SIoU如下:

实验结果分析 

PASCAL VOC数据集是目标检测领域最流行的数据集之一，本文使用VOC2007和VOC2012的训练集和val作为包含16551张图像的训练集，使用VOC2007的测试集作为包含4952张图像的测试集。在本实验中，我们选择了最先进的单级检测器YOLOv8s和YOLOv7-tiny对VOC数据集进行对比实验，并选择SIoU作为实验的对比方法。实验结果见表1:

AI-TOD是遥感图像数据集，与一般数据集不同的是，它包含了大量的微小目标，目标的平均大小仅为12.8像素。本实验选择YOLOv5s作为检测器，对比方法为SIoU。实验结果如表二所示:

 2.如何将Focaler-IoU加入到YOLOv8

2.1 修改ultralytics/utils/loss.py

  weight = target_scores.sum(-1)[fg_mask].unsqueeze(-1)
        iou = bbox_iou(pred_bboxes[fg_mask], target_bboxes[fg_mask], xywh=False, CIoU=True)

        d = 0.00
        u = 0.95
        iou = ((iou - d) / (u - d)).clamp(0, 1)  #default d=0.00,u=0.95

原文详见：

https://blog.csdn.net/m0_63774211/article/details/135819353

by CSDN AI小怪兽  咨询可添加微信：AI_CV_0624