深入解析CIoU损失函数图：目标检测中的边界框回归优化

1次阅读

共计 2242 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 IoU（Intersection over Union）损失函数虽然直观，但存在两个主要问题：

梯度消失 ：当预测框与真实框没有重叠时，IoU 值为 0，无法提供有效的梯度更新
对齐敏感 ：即使 IoU 相同，不同对齐方式的边界框对模型优化的影响不同

GIoU（Generalized IoU）通过引入最小闭合区域缓解了部分问题，但仍存在收敛速度慢和对齐方式敏感等局限性。

损失函数	数学特性	适用场景
IoU	$L_{IoU} = 1 – IoU$	简单场景，重叠框评估
GIoU	$L_{GIoU} = 1 – IoU + \frac{	C – B∪B^{gt}
DIoU	$L_{DIoU} = 1 – IoU + \frac{ρ^2(b,b^{gt})}{c^2}$	需要考虑中心点距离
CIoU	$L_{CIoU} = 1 – IoU + \frac{ρ^2(b,b^{gt})}{c^2} + αv$	需要同时优化重叠率、中心距离和宽高比

CIoU（Complete IoU）在 DIoU 基础上增加了宽高比惩罚项，完整公式推导如下：

计算基础 IoU：
$$IoU = \frac{|B ∩ B^{gt}|}{|B ∪ B^{gt}|}$$
添加中心点距离惩罚：
$$\frac{ρ^2(b,b^{gt})}{c^2}$$
其中 $ρ$ 是欧式距离，$c$ 是最小闭合区域对角线长度
引入宽高比一致性惩罚：
$$v = \frac{4}{π^2}(arctan\frac{w^{gt}}{h^{gt}} – arctan\frac{w}{h})^2$$
$$α = \frac{v}{(1-IoU)+v}$$

最终 CIoU 损失函数：
$$L_{CIoU} = 1 – IoU + \frac{ρ^2(b,b^{gt})}{c^2} + αv$$

# Python 3.8+, PyTorch 1.10+
import torch
import math

def bbox_ciou(box1, box2, eps=1e-7):
    """
    计算两组边界框之间的 CIoU 损失
    Args:
        box1: [N, 4] (x1,y1,x2,y2)
        box2: [N, 4] (x1,y1,x2,y2)
    Returns:
        ciou: [N]
    """
    # 转换为中心点 + 宽高表示
    b1_x1, b1_y1, b1_x2, b1_y2 = box1.T
    b2_x1, b2_y1, b2_x2, b2_y2 = box2.T

    # 计算交集区域
    inter_x1 = torch.max(b1_x1, b2_x1)
    inter_y1 = torch.max(b1_y1, b2_y1)
    inter_x2 = torch.min(b1_x2, b2_x2)
    inter_y2 = torch.min(b1_y2, b2_y2)

    # 处理无重叠情况
    inter_area = (inter_x2 - inter_x1).clamp(0) * (inter_y2 - inter_y1).clamp(0)

    # 计算并集区域
    b1_area = (b1_x2 - b1_x1) * (b1_y2 - b1_y1)
    b2_area = (b2_x2 - b2_x1) * (b2_y2 - b2_y1)
    union_area = b1_area + b2_area - inter_area + eps

    # 计算 IoU
    iou = inter_area / union_area

    # 计算中心点距离
    b1_cx = (b1_x1 + b1_x2) / 2
    b1_cy = (b1_y1 + b1_y2) / 2
    b2_cx = (b2_x1 + b2_x2) / 2
    b2_cy = (b2_y1 + b2_y2) / 2
    center_dist = (b1_cx - b2_cx)**2 + (b1_cy - b2_cy)**2

    # 计算最小闭合区域对角线
    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_dist = (c_x2 - c_x1)**2 + (c_y2 - c_y1)**2 + eps

    # 计算宽高比惩罚
    b1_w, b1_h = b1_x2 - b1_x1, b1_y2 - b1_y1
    b2_w, b2_h = b2_x2 - b2_x1, b2_y2 - b2_y1

    with torch.no_grad():
        arctan = torch.atan2(b2_w, b2_h) - torch.atan2(b1_w, b1_h)
        v = (4 / (math.pi ** 2)) * torch.pow(arctan, 2)
        alpha = v / (1 - iou + v + eps)

    # 组合 CIoU
    ciou = iou - (center_dist / c_dist + alpha * v)
    return 1 - ciou

在 COCO 2017 数据集上使用 YOLOv5s 模型测试（RTX 3080 GPU）：