改进YOLOv5的小目标检测算法-优化损失函数

IOU_Loss为预测框和真实框之间的交集与预测框和真实框之间的并集之比。此损失存在一定的问题：若预测框与真实框无交集，此时Io U=0，两个框之间的距离无法反映出来。换句话说，Io U_Loss无法优化两个框不相交的情况。

      针对以上问题，GIOU_Loss增加了相交尺度，即引入最小外接矩形及外接矩形与并集的差集。但是这种方法并不能完全解决这种问题，仍然存在着其他的问题。若预测框和真实框相交，GIo U就变成了IoU，不能分辨相两个框的相对位置关系。

    针对IOU_Loss和GIOU_Loss存在的问题，提出了DIOU_Loss。DIOU_Loss考虑了预测框与真实框的重叠面积和中心点距离。当真实框包裹预测框时可以直接度量2个框的距离，从而使DIOU_Loss的收敛速度更快一些。

      CIOU_Loss在DIOU_Loss的基础上增加了一个影响因子，考虑了将预测框和真实框之间的长宽比，即CIOU_Loss考虑了真实框的重叠面积、中心点距离以及长宽比，使AP值有明显提升。具体的计算方法如下式所示：

其中v用来衡量长宽比的一致性，定义如下：

      YOLOv5算法的损失函数由边界框回归损失、类别损失、置信度损失三部分构成。其中常用交并比（IoU）来描述边界框回归损失，它的定义如图下所示。

      从交并比中，可以得到预测框和真实框之间的距离，这间接反映了算法检测的效果。但是它作为损失函数有以下缺点：假如两个框之间没有交集，那么它的IoU就为0，这点并不能充分反映两者的重合程度；同时当Io U=0时，Io U_Loss=1-Io U=1，不存在梯度回传，这会导致算法无法继续学习和训练，所以在YOLOv5的边界框回归损失函数上采用了CIo U_Loss。

     EIOU的惩罚项目是以CIOU的惩罚项为基础，将长宽比的影响因素分解开，使其单独地计算出目标框和锚框的长度和宽度。该损失函数的重叠损失和中心距离损失仍然和CIOU中的计算方法相同，但是宽高损失会使目标盒和锚盒宽度和高度的差异最小，从而加快了收敛。EIOU惩罚项公式如下式所示：

文章转载自公众号：人工智能感知信息处理算法研究院