深度学习入门：如何正确更改CIoU损失函数以提升目标检测性能

1次阅读

共计 2539 个字符，预计需要花费 7 分钟才能阅读完成。

在目标检测任务中，选择合适的损失函数对模型性能至关重要。CIoU（Complete Intersection over Union）损失函数因其综合考虑了边界框的重叠面积、中心点距离和长宽比等几何特性，成为许多目标检测模型的首选。本文将带大家深入理解 CIoU 的原理，并详细介绍如何安全有效地对其进行修改。

IoU（Intersection over Union）是最基础的检测框度量标准，计算公式为：
$$IoU = \frac{Area_{overlap}}{Area_{union}}$$
但它存在梯度消失问题（当两框不相交时）。
GIoU（Generalized IoU）通过引入最小闭包框解决了不相交时的梯度问题：
$$GIoU = IoU – \frac{Area_{C}-Area_{union}}{Area_{C}}$$
其中 $Area_C$ 是最小闭包框面积。
CIoU 在 GIoU 基础上进一步考虑了中心点距离和长宽比：
$$CIoU = IoU – \frac{\rho^2(b,b^{gt})}{c^2} – \alpha v$$
其中 $\rho$ 是中心点欧式距离，$c$ 是最小闭包框对角线长度，$v$ 衡量长宽比一致性，$\alpha$ 是平衡系数。

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 = (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
    w1, h1 = box1[2] - box1[0], box1[3] - box1[1]
    w2, h2 = box2[2] - box2[0], box2[3] - box2[1]
    union = w1 * h1 + w2 * h2 - inter

    # 计算 IoU
    iou = inter / (union + 1e-7)

    # 计算中心点距离
    c_x1, c_y1 = (box1[0] + box1[2])/2, (box1[1] + box1[3])/2
    c_x2, c_y2 = (box2[0] + box2[2])/2, (box2[1] + box2[3])/2
    rho2 = (c_x2 - c_x1)**2 + (c_y2 - c_y1)**2

    # 计算最小闭包框对角线
    cw = torch.max(box1[2], box2[2]) - torch.min(box1[0], box2[0])
    ch = torch.max(box1[3], box2[3]) - torch.min(box1[1], box2[1])
    c2 = cw**2 + ch**2 + 1e-7

    # 计算长宽比一致性
    ar_gt = w2 / h2
    ar_pred = w1 / h1
    v = (4 / (math.pi ** 2)) * torch.pow(torch.atan(ar_gt) - torch.atan(ar_pred), 2)
    alpha = v / ((1 - iou) + v + 1e-7)

    return 1 - iou + (rho2 / c2) + alpha * v

数学修改：
原公式中 $v$ 的系数为 $\alpha$，我们可以引入调节因子 $\beta$：
$$v_{new} = \beta \cdot v$$

代码差异：

- alpha = v / ((1 - iou) + v + 1e-7)
+ beta = 0.8  # 可调节的超参数
+ alpha = beta * v / ((1 - iou) + beta * v + 1e-7)

效果对比（Tesla V100, batch=16）：
| 方案 | mAP@0.5 |
|——|———|
| 原始 CIoU | 42.1% |
| $\beta=0.8$ | 42.6% |
| $\beta=1.2$ | 41.7% |

数学修改：
给中心点距离项添加权重 $\gamma$：
$$CIoU = IoU – \gamma \frac{\rho^2}{c^2} – \alpha v$$

代码差异：

- return 1 - iou + (rho2 / c2) + alpha * v
+ gamma = 0.5  # 降低中心点权重
+ return 1 - iou + gamma * (rho2 / c2) + alpha * v

效果对比：
| 方案 | mAP@0.5 |
|——|———|
| 原始 CIoU | 42.1% |
| $\gamma=0.5$ | 42.3% |
| $\gamma=2.0$ | 40.9% |

数学修改：
增加面积一致性约束 $S$：
$$S = \frac{|w_1h_1 – w_2h_2|}{w_2h_2}$$
$$CIoU_{new} = CIoU + \lambda S$$

代码差异：

+ area1 = w1 * h1
+ area2 = w2 * h2
+ s = torch.abs(area1 - area2) / (area2 + 1e-7)
+ lamda = 0.1  # 约束系数
- return 1 - iou + (rho2 / c2) + alpha * v
+ return 1 - iou + (rho2 / c2) + alpha * v + lamda * s

效果对比：
| 方案 | mAP@0.5 |
|——|———|
| 原始 CIoU | 42.1% |
| $\lambda=0.1$ | 42.8% |
| $\lambda=0.5$ | 41.2% |