深入解析CIoU损失函数：目标检测中的边界框回归优化策略

1次阅读

没有评论

共计 1916 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，边界框回归（Bounding Box Regression）是核心环节之一。传统 IoU（Intersection over Union）损失函数虽然直观，但存在两个显著缺陷：

梯度消失问题 ：当预测框与真实框无重叠时，IoU 值为 0，无法提供有效的梯度更新方向
尺度不敏感 ：对相同比例的位置偏差，大目标的 IoU 变化较小目标更缓慢

数学表达式为：
$$ L_{IoU} = 1 – \frac{|A \cap B|}{|A \cup B|} $$

GIoU 引入最小闭合区域 C 来解决无重叠情况：
$$ L_{GIoU} = 1 – IoU + \frac{|C \backslash (A \cup B)|}{|C|} $$

但仍有不足：
– 收敛速度慢
– 对中心点对齐的边界框优化不足

DIoU 增加中心点距离惩罚项：
$$ L_{DIoU} = 1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} $$
其中 $\rho$ 是欧氏距离，c 是最小闭合区域对角线长度

CIoU 在 DIoU 基础上增加长宽比一致性约束：
$$ L_{CIoU} = 1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v $$

其中：
$$ v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2 $$
$$ \alpha = \frac{v}{(1-IoU)+v} $$

import torch
import math

def bbox_ciou(box1, box2, eps=1e-7):
    """
    计算 CIoU 损失
    Args:
        box1: 预测框 [x1,y1,x2,y2]
        box2: 真实框 [x1,y1,x2,y2]
        eps: 数值稳定项
    Returns:
        ciou_loss: 标量值
    """
    # 转换格式为 [x,y,w,h]
    b1_x1, b1_y1, b1_x2, b1_y2 = box1
    b2_x1, b2_y1, b2_x2, b2_y2 = box2
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1

    # 计算 IoU
    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)
    union = w1 * h1 + w2 * h2 - inter + eps
    iou = inter / union

    # 计算中心点距离
    c_x1, c_y1 = torch.min(b1_x1, b2_x1), torch.min(b1_y1, b2_y1)
    c_x2, c_y2 = torch.max(b1_x2, b2_x2), torch.max(b1_y2, b2_y2)
    c_diag = ((c_x2 - c_x1) ** 2 + (c_y2 - c_y1) ** 2) ** 0.5 + eps

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

    # 长宽比惩罚项
    v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
    alpha = v / (v - iou + (1 + eps))

    return 1 - iou + (rho ** 2 / c_diag ** 2) + alpha * v

在 COCO 2017 val 集上的测试结果（YOLOv3 框架）：