优化目标检测性能：CIoU损失函数的改进实践与效果验证

1次阅读

共计 2140 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，边界框回归的精度直接影响模型性能。传统 CIoU（Complete Intersection over Union）损失函数虽然考虑了重叠区域、中心点距离和长宽比三个因素，但在实际应用中仍存在明显缺陷：

长宽比敏感性：当目标长宽比极端时（如极瘦高或极扁平），CIoU 的惩罚项会产生过大梯度，导致训练不稳定
梯度消失问题：在边界框高度重叠时，长宽比项的梯度会急剧减小，导致后期优化乏力
固定权重局限：三项（重叠、距离、长宽比）的贡献权重固定，无法适应不同检测阶段的需求

改进的核心是让损失函数的各项权重能够自适应调整。定义动态权重系数：

\alpha = 1 - \frac{t}{T} \cdot (1 - \beta)

其中：
– t 为当前训练步数
– T 为总训练步数
– β 为最小权重下限（建议 0.3-0.5）

将原始 CIoU 损失重构为：

L_{CIoU}^* = 1 - IoU + \alpha \cdot \frac{\rho^2(b,b^{gt})}{c^2} + \gamma \cdot \alpha \cdot \frac{v^2}{(1-IoU)+v}

针对梯度消失问题，在反向传播时对长宽比项施加梯度放大器：

\frac{\partial v}{\partial w} = \frac{4}{\pi^2} \cdot (\arctan\frac{w^{gt}}{h^{gt}} - \arctan\frac{w}{h}) \cdot \frac{h}{w^2 + h^2}

class ImprovedCIoULoss(nn.Module):
    def __init__(self, beta=0.4, eps=1e-7):
        super().__init__()
        self.beta = beta
        self.eps = eps

    def forward(self, pred, target):
        # pred/target: [N,4] (x1,y1,x2,y2)
        b1_x1, b1_y1, b1_x2, b1_y2 = pred.unbind(-1)
        b2_x1, b2_y1, b2_x2, b2_y2 = target.unbind(-1)

        # IoU 计算
        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 = (b1_x2 - b1_x1)*(b1_y2 - b1_y1) + \
                (b2_x2 - b2_x1)*(b2_y2 - b2_y1) - inter + self.eps
        iou = inter / union

        # 中心点距离
        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 + self.eps
        rho2 = (b1_x1 + b1_x2 - b2_x1 - b2_x2)**2 /4 + \
               (b1_y1 + b1_y2 - b2_y1 - b2_y2)**2 /4

        # 动态权重
        alpha = 1 - (self._iter / self._max_iter) * (1 - self.beta)

        # 长宽比一致性
        w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
        w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1
        v = (4 / math.pi**2) * torch.pow(torch.atan(w2/h2) - torch.atan(w1/h1), 2)
        with torch.no_grad():
            gamma = alpha * v / (1 - iou + v + self.eps)

        loss = 1 - iou + alpha * (rho2 / c_dist) + gamma * v
        return loss.mean()

在 COCO2017 验证集上的对比结果：