감지기의 급속한 발전에 따라 경계상자 회귀(Bounding Box Regression, BBR) 손실 함수는 지속적으로 업데이트되고 최적화되고 있다. 그러나 기존의 IoU 기반 BBR 손실 함수는 새로운 손실 항을 추가함으로써 수렴 속도를 가속화하는 데 집중하며, IoU 손실 항 자체의 한계를 간과하고 있다. 이론적으로 IoU 손실은 경계상자 회귀의 상태를 효과적으로 기술할 수 있지만, 실제 응용에서는 다양한 감지기 및 감지 작업에 따라 자가 조정이 불가능하며, 강한 일반화 능력을 갖추지 못한다. 이러한 문제를 바탕으로, 본 연구에서는 먼저 BBR 모델을 분석하여, 서로 다른 회귀 샘플을 구분하고, 보조 경계상자(assistant bounding box)의 다양한 규모를 활용하여 손실을 계산하는 것이 경계상자 회귀 과정을 효과적으로 가속화할 수 있음을 확인하였다. 고 IoU 샘플의 경우 보다 작은 보조 경계상자를 사용해 손실을 계산하면 수렴 속도를 높일 수 있으며, 반면 저 IoU 샘플에는 더 큰 보조 경계상자가 적합하다. 이를 바탕으로 본 논문에서는 보조 경계상자를 활용하여 IoU 손실을 계산하는 Inner-IoU 손실을 제안한다. 다양한 데이터셋과 감지기에서 보조 경계상자의 규모를 조절하기 위해 스케일링 인자 비율을 도입한다. 마지막으로, 제안된 Inner-IoU 손실을 기존의 IoU 기반 손실 함수에 통합하여 시뮬레이션 및 비교 실험을 수행하였다. 실험 결과, 본 논문에서 제안한 방법을 적용함으로써 감지 성능이 더욱 향상됨을 확인하였으며, Inner-IoU 손실의 효과성과 일반화 능력이 검증되었다. 코드는 https://github.com/malagoutou/Inner-IoU 에서 제공된다.