目标检测入门：深入理解CIoU和WIoU损失函数的原理与实现

1次阅读

没有评论

共计 2395 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，边界框回归（Bounding Box Regression）是核心环节之一。传统方法使用 IoU（Intersection over Union）作为评估指标，但它存在两个主要问题：

当预测框与真实框没有重叠时，IoU 值为 0，无法提供梯度更新方向
对框的位置敏感度不足，相同 IoU 值的不同框排列方式可能反映完全不同的预测质量

CIoU 在 IoU 基础上引入三个关键改进：

中心点距离惩罚项：最小化预测框与真实框中心点的欧式距离
宽高比一致性惩罚：保持预测框与真实框的宽高比一致性
重叠区域优化：最大化 IoU 值本身

数学表达式为：

CIoU = IoU - (ρ²(b,b^gt)/c² + αv)
其中：ρ²: 中心点距离平方
c: 最小包围框对角线长度
α: 权重系数
v: 宽高比一致性度量

WIoU 通过引入权重机制改进传统 IoU：

动态权重分配：根据框的质量自动调整梯度权重
困难样本聚焦：对难样本给予更高关注度
稳定性增强：通过标准化处理提升数值稳定性

核心公式：

WIoU = ω * IoU
ω = exp((1-IoU)/γ)
γ 为调节参数

import torch
import math

def bbox_ciou(box1, box2):
    """
    box1: predict boxes [x1,y1,x2,y2]
    box2: target boxes [x1,y1,x2,y2]
    """
    # 计算交集面积
    inter_area = (torch.min(box1[2], box2[2]) - torch.max(box1[0], box2[0])) * \
                 (torch.min(box1[3], box2[3]) - torch.max(box1[1], box2[1]))

    # 计算并集面积
    union_area = (box1[2]-box1[0])*(box1[3]-box1[1]) + \
                 (box2[2]-box2[0])*(box2[3]-box2[1]) - inter_area

    # 计算中心点距离
    center_dist = torch.pow((box1[0]+box1[2])/2 - (box2[0]+box2[2])/2, 2) + \
                  torch.pow((box1[1]+box1[3])/2 - (box2[1]+box2[3])/2, 2)

    # 计算最小包围框对角线
    c = torch.pow(torch.max(box1[2], box2[2]) - torch.min(box1[0], box2[0]), 2) + \
        torch.pow(torch.max(box1[3], box2[3]) - torch.min(box1[1], box2[1]), 2)

    # 宽高比惩罚项
    v = (4/math.pi**2) * torch.pow(torch.atan((box2[2]-box2[0])/(box2[3]-box2[1]+1e-6)) - \
                                  torch.atan((box1[2]-box1[0])/(box1[3]-box1[1]+1e-6)), 2)

    alpha = v / (1 - (inter_area/union_area) + v + 1e-6)

    return (inter_area/union_area) - (center_dist/c) - (alpha*v)

def bbox_wiou(box1, box2, gamma=1.0):
    """
    box1: predict boxes [x1,y1,x2,y2]
    box2: target boxes [x1,y1,x2,y2]
    gamma: 调节参数
    """
    # 计算标准 IoU
    inter = (torch.min(box1[2], box2[2]) - torch.max(box1[0], box2[0])) * \
            (torch.min(box1[3], box2[3]) - torch.max(box1[1], box2[1]))
    union = (box1[2]-box1[0])*(box1[3]-box1[1]) + \
            (box2[2]-box2[0])*(box2[3]-box2[1]) - inter
    iou = inter / (union + 1e-6)

    # 计算动态权重
    weight = torch.exp((1 - iou) / gamma)

    return weight * iou

在 COCO 数据集上的测试结果：