Inner-IoU: خسارة تقاطع على التداخل أكثر فعالية مع مربع حدود مساعد

مع التطور السريع لأجهزة الكشف، تم تحديث وتحسين دالة الخسارة الخاصة بالانحدار المبني على المربعات المحيطة (Bounding Box Regression - BBR) باستمرار. ومع ذلك، لا تزال دوال الخسارة القائمة على معامل التداخل بين المربعات (IoU) تركز على تسريع عملية التقارب من خلال إضافة حدود خسارة جديدة، مع تجاهل القيود المتأصلة في حدود الخسارة نفسها. وعلى الرغم من أن معامل IoU يُفترض نظريًا أنه قادر على وصف حالة الانحدار المبني على المربعات بشكل فعّال، إلا أنه في التطبيقات العملية، لا يمكنه التكيف تلقائيًا مع أنواع مختلفة من أجهزة الكشف أو مهام الكشف، كما يفتقر إلى قدرة عامة قوية. استنادًا إلى ذلك، قمنا أولًا بتحليل نموذج BBR، وخلصنا إلى أن التمييز بين عينات الانحدار المختلفة، واستخدام صناديق مساعدة بمقاييس متفاوتة لحساب الخسارة، يمكن أن يسرع بشكل فعّال من عملية الانحدار المبني على المربعات. فبالنسبة للعينات ذات معامل IoU العالي، فإن استخدام صناديق مساعدة أصغر لحساب الخسارة يُسهم في تسريع التقارب، بينما تكون الصناديق الأكبر أكثر ملاءمة للعينات ذات معامل IoU المنخفض. ثم قمنا بتطوير دالة خسارة جديدة تُسمى Inner-IoU، والتي تُحسب خسارة IoU من خلال صناديق مساعدة. ولتكييف الأداء مع مختلف المجموعات البيانات وأجهزة الكشف، قمنا بإدخال نسبة عامل تكبير (scaling factor ratio) للتحكم في حجم الصناديق المساعدة المستخدمة في حساب الخسارة. وأخيرًا، تم دمج Inner-IoU ضمن دوال الخسارة القائمة على IoU لإجراء تجارب محاكاة ومقارنة. أظهرت نتائج التجارب تحسينًا إضافيًا في أداء الكشف عند استخدام الطريقة المقترحة في هذه الورقة، مما يؤكد فعالية وقابلية التعميم لدالة الخسارة Inner-IoU. يمكن الوصول إلى الكود عبر الرابط التالي: https://github.com/malagoutou/Inner-IoU.