目标检测损失函数深度对比：CIoU与WIoU的核心差异与实战选择

1次阅读

没有评论

共计 1685 个字符，预计需要花费 5 分钟才能阅读完成。

在目标检测任务中，IoU（Intersection over Union）是最基础的评估指标，但直接作为损失函数使用时存在明显缺陷：

梯度消失问题 ：当预测框与真实框无重叠时，IoU= 0 且梯度始终为 0，导致早期训练困难
尺度不敏感性 ：相同 IoU 值下，大目标和小目标的绝对位置偏差可能差异巨大
方向信息缺失 ：无法反映框的中心点距离和长宽比差异

实际业务中，这些缺陷会导致：

小目标检测时，轻微的位置偏差就会造成 IoU 剧烈波动
密集场景中，相邻目标的 IoU 计算容易混淆正负样本
模型收敛后期，难以通过微调获得精度提升

CIoU 在 IoU 基础上引入三项修正：

L_{CIoU} = 1 - IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v

其中：

第二项：中心点距离惩罚（$\rho$ 为欧氏距离，$c$ 为最小包围框对角线）
第三项：长宽比一致性惩罚（$v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$）
$\alpha=\frac{v}{(1-IoU)+v}$ 为自适应权重

WIoU 通过动态权重机制重构梯度：

L_{WIoU} = r \cdot (1 - IoU)

权重系数 $r$ 的设计考虑了：

重叠面积与并集面积的比值
目标框的尺度信息
当前训练阶段的统计特性

通过模拟实验绘制梯度曲线（横轴为 IoU 值，纵轴为梯度幅值）：

CIoU：在 IoU>0.7 时梯度大幅衰减，适合精细调整
WIoU：始终保持平缓梯度，对低质量样本更友好

指标	IoU	CIoU	WIoU
AP50	58.2	61.7	60.9
AP75	34.1	38.5	36.8
Small AP	12.3	15.6	17.2

class WIoULoss(nn.Module):
    def __init__(self, eps=1e-7):
        super().__init__()
        self.eps = eps
        # 可学习参数
        self.scale_weight = nn.Parameter(torch.ones(1))

    def forward(self, pred, target):
        # 计算基础 IoU
        inter = (torch.min(pred[:, 2:], target[:, 2:]) - 
                 torch.max(pred[:, :2], target[:, :2])).clamp(0).prod(1)
        union = (pred[:, 2:] - pred[:, :2]).prod(1) + \
                (target[:, 2:] - target[:, :2]).prod(1) - inter + self.eps
        iou = inter / union

        # 动态权重计算
        with torch.no_grad():
            scale = (pred[:, 2:] - pred[:, :2]).prod(1) / \
                   (target[:, 2:] - target[:, :2]).prod(1)
            r = scale * self.scale_weight.exp()

        return (1 - iou * r).mean()