深入解析CIoU损失函数原理图：从数学推导到目标检测实战

1次阅读

共计 1986 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（Bounding Box）的回归质量直接影响模型性能。传统 IoU（Intersection over Union）损失函数计算预测框与真实框的交并比，简单直观但存在明显缺陷：

非重叠失效：当预测框与真实框无重叠时，IoU 恒为 0，无法提供梯度方向
尺度不敏感：对大小差异显著的框，相同的 IoU 值可能对应完全不同的空间关系
收敛速度慢：缺乏对中心点对齐和长宽比例的显式约束

\text{IoU} = \frac{|A \cap B|}{|A \cup B|}

CIoU（Complete IoU）在 DIoU 基础上引入长宽比一致性惩罚项，其完整公式为：

\mathcal{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}

关键改进点：

中心点距离惩罚：通过 $\rho^2/c^2$ 项加速中心点对齐（$c$ 是最小外接矩形对角线长度）
长宽比一致性：$v$ 项衡量宽高比的相似性，解决尺度敏感问题
动态权重：$\alpha$ 自动平衡几何约束的贡献度

import torch
import math

def bbox_ciou(box1: torch.Tensor, box2: torch.Tensor, eps: float = 1e-7):
    """
    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_cx = (box1[:, 0] + box1[:, 2]) / 2
    b1_cy = (box1[:, 1] + box1[:, 3]) / 2
    b1_w = box1[:, 2] - box1[:, 0] + eps
    b1_h = box1[:, 3] - box1[:, 1] + eps

    b2_cx = (box2[:, 0] + box2[:, 2]) / 2
    b2_cy = (box2[:, 1] + box2[:, 3]) / 2
    b2_w = box2[:, 2] - box2[:, 0] + eps
    b2_h = box2[:, 3] - box2[:, 1] + eps

    # IoU 计算（向量化实现）inter_area = (torch.min(box1[:, 2], box2[:, 2]) - torch.max(box1[:, 0], box2[:, 0])).clamp(0) * \
                 (torch.min(box1[:, 3], box2[:, 3]) - torch.max(box1[:, 1], box2[:, 1])).clamp(0)
    union_area = b1_w * b1_h + b2_w * b2_h - inter_area + eps
    iou = inter_area / union_area

    # 中心点距离惩罚项
    center_dist = (b1_cx - b2_cx).pow(2) + (b1_cy - b2_cy).pow(2)
    c_diag = (torch.max(box1[:, 2], box2[:, 2]) - torch.min(box1[:, 0], box2[:, 0])).pow(2) + \
             (torch.max(box1[:, 3], box2[:, 3]) - torch.min(box1[:, 1], box2[:, 1])).pow(2) + eps

    # 长宽比惩罚项
    arctan = torch.atan2(b2_w, b2_h) - torch.atan2(b1_w, b1_h)
    v = (4 / (math.pi ** 2)) * arctan.pow(2)
    alpha = v / (v - iou + 1 + eps)

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

实现要点：