深度解析CIoU损失函数：从数学原理到目标检测实战优化

1次阅读

没有评论

共计 2372 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，边界框回归的精度直接影响模型性能。传统的 IoU（Intersection over Union）损失函数虽然直观，但在以下两种情况下会失效：

非重叠情况 ：当预测框和真实框完全没有重叠时，IoU 值为 0，无法提供有效的梯度信号，导致模型难以优化。
极端长宽比 ：对于长条形或极端长宽比的目标，IoU 无法区分不同方向的误差，可能导致回归方向错误。

为了解决这些问题，研究者们先后提出了 GIoU、DIoU 和 CIoU 损失函数。通过引入中心点距离和宽高比惩罚项，CIoU 能有效解决重叠目标定位不准的问题。

CIoU（Complete IoU）损失函数在 DIoU 的基础上增加了宽高比一致性惩罚项，其公式如下：

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

其中：
– (\rho^2(b, b^{gt})) 是预测框和真实框中心点的欧氏距离
– (c) 是最小包围框的对角线长度
– (v) 是宽高比一致性项，定义为：

$$
v = \frac{4}{\pi^2} (\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2
$$

(\alpha) 是平衡系数，定义为：

$$
\alpha = \frac{v}{(1-IoU)+v}
$$

以下是一个高效且数值稳定的 PyTorch 实现：

import torch
import math

def bbox_ciou(boxes1, boxes2):
    """
    Args:
        boxes1 (Tensor): [N, 4] (x1,y1,x2,y2) in absolute coordinates
        boxes2 (Tensor): [N, 4] (x1,y1,x2,y2) in absolute coordinates
    Returns:
        ciou (Tensor): [N,] CIoU values
    """
    eps = 1e-7  # 避免除零

    # 计算交集面积
    inter_upleft = torch.max(boxes1[:, :2], boxes2[:, :2])
    inter_botright = torch.min(boxes1[:, 2:], boxes2[:, 2:])
    inter_wh = (inter_botright - inter_upleft).clamp(min=0)
    inter_area = inter_wh[:, 0] * inter_wh[:, 1]

    # 计算并集面积
    area1 = (boxes1[:, 2] - boxes1[:, 0]) * (boxes1[:, 3] - boxes1[:, 1])
    area2 = (boxes2[:, 2] - boxes2[:, 0]) * (boxes2[:, 3] - boxes2[:, 1])
    union_area = area1 + area2 - inter_area + eps

    # 计算 IoU
    iou = inter_area / union_area

    # 计算中心点距离
    center1 = (boxes1[:, :2] + boxes1[:, 2:]) / 2
    center2 = (boxes2[:, :2] + boxes2[:, 2:]) / 2
    center_dist = torch.sum((center1 - center2).pow(2), dim=1)

    # 计算最小包围框对角线长度
    enclose_upleft = torch.min(boxes1[:, :2], boxes2[:, :2])
    enclose_botright = torch.max(boxes1[:, 2:], boxes2[:, 2:])
    enclose_wh = (enclose_botright - enclose_upleft).clamp(min=0)
    enclose_diag = torch.sum(enclose_wh.pow(2), dim=1)

    # 计算 DIoU 项
    diou = iou - (center_dist / (enclose_diag + eps))

    # 计算宽高比一致性项
    w1 = boxes1[:, 2] - boxes1[:, 0]
    h1 = boxes1[:, 3] - boxes1[:, 1]
    w2 = boxes2[:, 2] - boxes2[:, 0]
    h2 = boxes2[:, 3] - boxes2[:, 1]

    v = (4 / (math.pi ** 2)) * torch.pow(torch.atan(w2 / (h2 + eps)) - torch.atan(w1 / (h1 + eps)), 2)

    alpha = v / ((1 - iou) + v + eps)

    # 组合 CIoU
    ciou = diou - alpha * v

    return ciou

在 COCO 数据集上的实验表明，相比 IoU、GIoU 和 DIoU，CIoU 能带来显著的性能提升：