摘要
随着探测器技术的快速发展，边界框回归（Bounding Box Regression, BBR）损失函数不断迭代与优化。然而，现有的基于交并比（IoU）的BBR方法仍主要通过引入新的损失项来加速收敛，忽视了IoU损失项自身固有的局限性。尽管理论上IoU损失能够有效描述边界框回归的状态，但在实际应用中，其无法根据不同的探测器架构和检测任务自适应调整，且泛化能力较弱。基于上述问题，本文首先对BBR模型进行了深入分析，得出结论：区分不同回归样本，并采用不同尺度的辅助边界框计算损失，可有效加速边界框回归过程。具体而言，对于高IoU样本，使用较小的辅助边界框计算损失有助于加速收敛；而对于低IoU样本，则更适合采用较大的辅助边界框。据此，本文提出一种新型损失函数——Inner-IoU损失，该方法通过辅助边界框计算IoU损失。针对不同数据集与探测器，引入尺度因子比例（scaling factor ratio），以动态调控辅助边界框的尺度大小，从而实现更灵活的损失计算。最后，将Inner-IoU集成至现有的基于IoU的损失函数中，开展仿真与对比实验。实验结果表明，所提出方法在检测性能上进一步提升，验证了Inner-IoU损失的有效性与良好泛化能力。相关代码已开源，地址为：https://github.com/malagoutou/Inner-IoU。