深入解析CIoU损失函数：从数学原理到目标检测实战

1次阅读

没有评论

共计 2049 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（Bounding Box）回归的精度直接影响模型性能。传统的 IoU（Intersection over Union）损失函数存在两个明显缺陷：

当预测框与真实框无重叠时，IoU 值为 0 且无法提供梯度方向
对框的对齐方式不敏感，如下图两个 IoU 相同的案例，右边显然定位更差却获得相同损失值

GIoU（Generalized IoU）通过引入最小闭包区域部分解决了这些问题，但仍存在收敛速度慢和对宽高比不敏感的问题。这正是 CIoU（Complete IoU）提出的动机。

CIoU 损失函数定义为：
$$\mathcal{L}_{CIoU} = 1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v$$
其中包含三个关键项：

IoU 项：基础重叠度量
$$IoU = \frac{|A \cap B|}{|A \cup B|}$$
中心点距离惩罚项：
$$\frac{\rho^2(b,b^{gt})}{c^2}$$
$\rho$ 表示欧式距离
$c$ 是最小闭包矩形的对角线长度
宽高比一致性项：
$$v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$$
$$\alpha = \frac{v}{(1-IoU)+v}$$

import torch
import math

def ciou_loss(preds, targets, eps=1e-7):
    """
    preds: [x,y,w,h] format tensor (N,4)
    targets: same format as preds
    eps: numerical stability term
    """
    # 转换坐标格式
    preds_x1y1 = preds[..., :2] - preds[..., 2:] / 2
    preds_x2y2 = preds[..., :2] + preds[..., 2:] / 2
    targets_x1y1 = targets[..., :2] - targets[..., 2:] / 2
    targets_x2y2 = targets[..., :2] + targets[..., 2:] / 2

    # 计算 IoU
    inter = (torch.min(preds_x2y2, targets_x2y2) - torch.max(preds_x1y1, targets_x1y1)).clamp(0)
    inter = inter[..., 0] * inter[..., 1]
    union = (preds[...,2]*preds[...,3] + targets[...,2]*targets[...,3]) - inter
    iou = inter / (union + eps)

    # 中心点距离项
    center_dist = torch.sum((preds[...,:2] - targets[...,:2])**2, dim=-1)
    c_diag = torch.max((targets_x2y2 - targets_x1y1)**2, dim=-1)[0]
    rho = center_dist / (c_diag + eps)

    # 宽高比项
    arctan = torch.atan2(targets[...,2], targets[...,3]) - torch.atan2(preds[...,2], preds[...,3])
    v = (4 / (math.pi ** 2)) * torch.pow(arctan, 2)
    alpha = v / (v - iou + (1 + eps))

    return 1 - iou + rho + alpha * v

关键实现技巧：