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 1969 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 且梯度为零，导致模型无法更新参数。例如检测远处行人时，初始随机预测可能完全无法产生梯度
尺度不敏感性 ：传统 IoU 对不同大小的目标采用相同惩罚力度。实际业务中，小目标（如交通标志）的 5 像素偏差比大目标（如集装箱车）的同等偏差影响更严重
方向缺失 ：IoU 只计算重叠面积，不考虑框的朝向关系。在车辆检测等场景中，预测框与真实框中心对齐但角度偏差 90°时，IoU 仍可能很高

Complete IoU(CIoU) 在 DIoU 基础上增加长宽比一致性惩罚项，其完整公式为：

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

其中：

$\rho$ 表示预测框中心与真实框中心的欧式距离
$c$ 是最小外接矩形的对角线长度
$v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$
$\alpha=\frac{v}{(1-IoU)+v}$

关键改进在于：

中心点距离 ：加速框的中心点对齐
长宽比一致性 ：使预测框逐步匹配真实框的纵横比

Weighted IoU(WIoU) 通过重叠面积动态调整损失权重：

$$\mathcal{L}{WIoU} = R$$} \cdot L_{IoU

$$R_{WIoU} = \exp(\frac{(x-x^{gt})^2 + (y-y^{gt})^2}{2\sigma^2})$$

其核心思想是：

对中心点偏移较大的预测框施加更强惩罚
$\sigma$ 作为可学习参数，使模型自适应不同目标的敏感度

指标	IoU	CIoU	WIoU
AP50	56.7	59.2	58.9
AP75	34.1	38.5	37.8
小目标 AP	22.3	26.7	28.1
推理速度 (FPS)	62	60	61

小目标检测 (32x32px):

CIoU 因长宽比约束过强，容易导致小目标预测框过度收缩
WIoU 的动态权重使其在微小目标上获得 2.1% AP 提升

密集场景 (CrowdHuman):

CIoU 在人群密集时中心点距离项可能相互冲突
WIoU 通过 $\sigma$ 参数自适应调整，误检率降低 15%

class WIoULoss(nn.Module):
    def __init__(self, sigma=1.0):
        super().__init__()
        self.sigma = nn.Parameter(torch.tensor(sigma))

    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
        iou = inter / union

        # 计算中心点权重
        center_dist = ((pred[:, :2] + pred[:, 2:])/2 - (target[:, :2] + target[:, 2:])/2).pow(2).sum(1)
        r_wiou = torch.exp(center_dist / (2 * self.sigma**2))

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