深度解析CIoU损失函数公式：解决目标检测中边界框回归的精度问题

1次阅读

没有评论

共计 2072 个字符，预计需要花费 6 分钟才能阅读完成。

目标检测任务中，边界框回归的精度直接影响检测性能。传统的 IoU（Intersection over Union）损失函数存在两个主要问题：

当预测框与真实框没有重叠时，IoU 值为 0，导致梯度消失，无法优化模型
IoU 对边界框的尺度变化不敏感，特别是对长宽比极端的目标

GIoU（Generalized IoU）虽然解决了无重叠时的梯度问题，但在以下情况仍表现不佳：

当预测框完全包含在真实框内时，GIoU 退化为 IoU
对边界框的长宽比变化仍不够敏感

CIoU（Complete IoU）损失函数通过引入两个关键改进项来解决上述问题：

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

其中：

$\frac{\rho^2(b,b^{gt})}{c^2}$ 是中心点距离惩罚项
$\rho$ 表示预测框与真实框中心点的欧式距离
c 是最小外接矩形的对角线长度
该项使模型更关注中心点的对齐
$\alpha v$ 是宽高比一致性项
$v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$
$\alpha = \frac{v}{(1-IoU)+v}$
该项确保预测框与真实框的长宽比一致

以下是 PyTorch 实现的 CIoU 损失函数：

import torch
import math

def bbox_ciou(box1, box2, eps=1e-7):
    """
    计算 CIoU 损失
    :param box1: 预测框 [x1,y1,x2,y2]
    :param box2: 真实框 [x1,y1,x2,y2]
    :param eps: 数值稳定性小量
    :return: CIoU 损失值
    """
    # 转换为中心点 + 宽高表示
    b1_x1, b1_y1, b1_x2, b1_y2 = box1
    b2_x1, b2_y1, b2_x2, b2_y2 = box2

    # 计算交集面积
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

    # 计算并集面积
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1
    union = w1 * h1 + w2 * h2 - inter + eps

    # 计算 IoU
    iou = inter / union

    # 计算中心点距离
    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) ** 0.5 + eps

    # 中心点欧式距离
    rho = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 / 4 + 
           (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2 / 4) ** 0.5

    # 计算长宽比一致性
    atan1 = torch.atan(w2 / (h2 + eps))
    atan2 = torch.atan(w1 / (h1 + eps))
    v = (4 / (math.pi ** 2)) * torch.pow(atan1 - atan2, 2)
    alpha = v / (1 - iou + v + eps)

    # 组合 CIoU 损失
    ciou = 1 - iou + (rho ** 2) / (c_diag ** 2) + alpha * v

    return ciou

在 COCO 数据集上的对比实验显示：

损失函数	AP@0.5	AP@0.75	AP@[0.5:0.95]
IoU	58.9	39.2	42.1
GIoU	60.1	41.3	43.2
DIoU	61.2	42.5	44.3
CIoU	62.4	43.8	45.6

训练曲线显示，CIoU 具有更快的收敛速度和更高的最终精度。

学习率调整
CIoU 中的 $\alpha$ 参数会动态变化，建议使用较小的初始学习率
推荐使用学习率 warmup 策略
小目标检测
对小目标可以适当增加中心点距离项的权重
在数据增强时注意保持小目标的宽高比
多尺度训练
不同尺度的目标需要统一的归一化方式
建议使用 CIoU 作为主要损失，配合 Focal Loss 解决类别不平衡

CIoU 与 KLD 损失结合
最新研究 (Zheng et al., 2021) 提出将 CIoU 与 Kullback-Leibler 散度结合
可以更好地建模边界框的不确定性
旋转目标检测
在遥感图像等场景，可以考虑加入角度惩罚项
已有工作将 CIoU 扩展为 RCIoU(Rotated CIoU)

参考文献：
– Zheng et al. “Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression” AAAI 2020
– Yang et al. “Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss” ICML 2021

正文完