5分钟搞懂WIOU损失函数：为什么它比CIOU更适合小目标检测？

1次阅读

共计 2061 个字符，预计需要花费 6 分钟才能阅读完成。

在目标检测任务中，小目标检测一直是一个极具挑战性的问题。小目标通常只占据图像中很小的像素区域，特征信息较少，容易被背景噪声干扰。传统的 CIOU（Complete Intersection over Union）损失函数虽然在大中型目标检测中表现良好，但在处理小目标时却存在明显局限：

小目标边界框的微小偏移会导致 IOU 值剧烈波动，梯度不稳定
CIOU 的纵横比惩罚项对小目标不敏感，难以精确调整微小边界框
中心点距离权重在极小目标上作用有限

WIOU（Weighted Intersection over Union）损失函数针对小目标检测做了针对性优化，主要改进点包括：

动态权重机制 ：根据目标尺寸自动调整各项损失的权重
平滑梯度设计 ：通过改进的 IOU 计算方式缓解小目标的梯度突变问题
自适应惩罚项 ：针对小目标特点优化了边界框回归的惩罚计算

数学公式对比：

CIOU 公式：

L_CIOU = 1 - IOU + ρ²(b,b^gt)/c² + αv

WIOU 公式：

L_WIOU = w_i * (1 - IOU_smooth) + w_p * P

其中 w_i 和 w_p 是动态权重，P 是改进后的惩罚项。

WIOU 的关键设计在于三个部分：

平滑 IOU 计算 ：
```
IOU_smooth = (|A∩B| + ε) / (|A∪B| + ε)
```
ε 是平滑系数，防止小目标的分母过小
动态权重调整 ：
```
w_i = 1 + log(area/mean_area)
w_p = 1 - w_i
```
根据目标面积自动调整权重
自适应惩罚项 ：
```
P = λ1*(1 - cosθ) + λ2*|r - r^gt|
```
θ 是方向角差，r 是宽高比

PyTorch 实现示例：

import torch
import math

class WIOULoss(torch.nn.Module):
    def __init__(self, eps=1e-7):
        super().__init__()
        self.eps = eps

    def forward(self, pred, target):
        # pred/target: [x,y,w,h]
        # 计算交集面积
        inter_xmin = torch.max(pred[:,0]-pred[:,2]/2, target[:,0]-target[:,2]/2)
        inter_ymin = torch.max(pred[:,1]-pred[:,3]/2, target[:,1]-target[:,3]/2)
        inter_xmax = torch.min(pred[:,0]+pred[:,2]/2, target[:,0]+target[:,2]/2)
        inter_ymax = torch.min(pred[:,1]+pred[:,3]/2, target[:,1]+target[:,3]/2)
        inter_area = torch.clamp(inter_xmax-inter_xmin,0) * torch.clamp(inter_ymax-inter_ymin,0)

        # 计算并集面积
        pred_area = pred[:,2] * pred[:,3]
        target_area = target[:,2] * target[:,3]
        union_area = pred_area + target_area - inter_area + self.eps

        # 平滑 IOU
        iou = (inter_area + self.eps) / union_area

        # 动态权重
        mean_area = (pred_area.mean() + target_area.mean())/2
        w_i = 1 + torch.log(pred_area/mean_area)

        # 自适应惩罚项
        cos_theta = (pred[:,2]*target[:,2] + pred[:,3]*target[:,3]) / \
                   (torch.norm(pred[:,2:4],2)*torch.norm(target[:,2:4],2) + self.eps)
        ratio_diff = torch.abs(pred[:,2]/pred[:,3] - target[:,2]/target[:,3])
        penalty = 0.5*(1 - cos_theta) + 0.5*ratio_diff

        # 综合损失
        loss = w_i * (1 - iou) + (1 - w_i) * penalty
        return loss.mean()

在 COCO 小目标子集上的对比实验：