从零理解CIoU损失函数：改进原理与PyTorch实战指南

1次阅读

没有评论

共计 2483 个字符，预计需要花费 7 分钟才能阅读完成。

在目标检测任务中，边界框回归（Bounding Box Regression）是核心环节之一。传统方法使用 L1/L2 损失函数直接预测框的坐标偏移，但存在明显问题：

尺度敏感性：L2 损失对大小不同的框会产生不同的梯度，大框的误差容易被弱化
非直观优化：坐标偏移量与最终 IoU（Intersection over Union）指标没有直接对应关系

IoU 损失函数（IoU Loss）的提出解决了部分问题，但其本身存在两大缺陷：

梯度消失：当预测框与真实框无重叠时，IoU= 0 导致无法计算梯度
无法区分对齐状态：不同相对位置的框可能具有相同的 IoU 值

GIoU（Generalized IoU）通过引入最小闭合区域缓解了梯度消失问题，但对长条形物体的回归效果仍不理想。

CIoU（Complete IoU）在 GIoU 基础上引入两个关键改进项：

中心点距离惩罚项：
$$\mathcal{L}{dist} = \frac{\rho^2(b$$
其中 $\rho$ 是欧氏距离，$c$ 是最小闭合区域对角线长度},b_{gt})}{c^2
长宽比一致性项：
$$\mathcal{L}_{aspect} = \frac{v^2}{(1-IoU)+v}$$
$$v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w^{pred}}{h^{pred}})^2$$

完整 CIoU 公式：
$$\mathcal{L}{CIoU} = 1 – IoU + \frac{\rho^2(b + \alpha v$$},b_{gt})}{c^2

与 IoU/GIoU 的直观对比：

指标	IoU	GIoU	CIoU
梯度连续性	×	√	√
中心对齐	×	×	√
长宽比一致	×	×	√

import torch
import math

def bbox_overlaps_ciou(bboxes1, bboxes2):
    """
    向量化计算 CIoU 损失
    Args:
        bboxes1: (Tensor[N,4]) 预测框(x1,y1,x2,y2)
        bboxes2: (Tensor[N,4]) 真实框(x1,y1,x2,y2)
    """
    # 转换为中心点 + 宽高表示
    b1_x1, b1_y1, b1_x2, b1_y2 = bboxes1.chunk(4, dim=-1)
    b2_x1, b2_y1, b2_x2, b2_y2 = bboxes2.chunk(4, dim=-1)
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1

    # IoU 计算
    inter_x1 = torch.max(b1_x1, b2_x1)
    inter_y1 = torch.max(b1_y1, b2_y1)
    inter_x2 = torch.min(b1_x2, b2_x2)
    inter_y2 = torch.min(b1_y2, b2_y2)
    inter_area = torch.clamp(inter_x2 - inter_x1, min=0) * torch.clamp(inter_y2 - inter_y1, min=0)
    union_area = w1 * h1 + w2 * h2 - inter_area
    iou = inter_area / (union_area + 1e-7)

    # 中心点距离
    c_x1 = torch.min(b1_x1, b2_x1)
    c_y1 = torch.min(b1_y1, b2_y1)
    c_x2 = torch.max(b1_x2, b2_x2)
    c_y2 = torch.max(b1_y2, b2_y2)
    c_diag = (c_x2 - c_x1)**2 + (c_y2 - c_y1)**2
    rho = (b1_x1 + b1_x2 - b2_x1 - b2_x2)**2 + (b1_y1 + b1_y2 - b2_y1 - b2_y2)**2

    # 长宽比
    v = (4 / (math.pi ** 2)) * torch.pow(torch.atan(w2 / (h2 + 1e-7)) - torch.atan(w1 / (h1 + 1e-7)), 2)
    alpha = v / (1 - iou + v + 1e-7)

    return 1 - iou + (rho / (c_diag + 1e-7)) + alpha * v

关键实现细节：