多篇论文介绍-Wiou-原文

论文地址：https://arxiv.org/pdf/2301.10051.pdf

目录

01 CIEFRNet：面向高速公路的抛洒物检测算法

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

05 基于改进YOLOv8的SAR图像飞机目标检测算法

06 基于改进YOLOv8的隧道火灾检测研究

07 融合 CA-BiFPN 的轻量化人体姿态估计算法

08基于改进 YOLOv5s 的果园环境葡萄检测

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法

---

01 CIEFRNet：面向高速公路的抛洒物检测算法

        损失函数影响着网络的收敛速度和精度，良好的损失函数定义能为模型带来性能的显著提升。本文算法的损失函数由目标边界框损失、置信度损失和分类损失构成，如式(9)所示：

      本的学习能力，本文引入了动态非单调聚焦机制的WIoU损失函数，其计算公式如式(10)、(11)、(12)和(13)所示。

      

        其中LBcE为置信度和分类损失，Lwou为边界框损失。

02改进 YOLOv5 的 PDC 钻头复合片缺损识别

        YOLOv5网络的损失函数包括置信度损失、分类损失和边界框损失函数，边界框损失函数反应了真实框和预测框的误差。边界框损失函数的设计对于目标检测性能有很大的影响，好的边界框损失函数能提升目标检测精度。对于目标检测数据集中会有低质量的示例,如果过多的强调对低质量示例边界框的回归,就会影响网络检测性能的提升，为了解决这一问题 Wise-IoU(WIoU)y[221损失函数被提出，WloU是一种基于动态非单调聚焦的机制的边界框定位损失函数。对于低质量示例，预测框和真实框的纵横比、距离等几何度量会增加对低质量示例的惩罚影响模型的泛化能力，当预测框和真实框能够很好的重合时应当降低几何度量的惩罚。WIoU共有三个版本，vl构造了基于注意力的边界框损失，v2和 v3在v1的基础上附加聚焦机制，其中v3的性能更好。WIoU根据距离度量构建得到了WloUv1，如公式（7）所示:

   

 

03 基于SimAM注意力机制的DCN-YOLOv5水下目标检测

        在水下目标检测中，因训练数据中难以避免地包含低质量示例，所以如距离、纵横比的几何度量都会加剧对低质量示例的惩罚从而使模型的泛化性能下降。传统的损失函数不能在锚框与目标框较好地重合时削弱阻碍对象检测模型泛化的惩罚，过多地干预训练使模型没有很好的泛化能力。对此本文使用WloU代替YOLOv5的CIoU，WloU提出了一个动态的非单调FM，可以降低高质量的锚框的竞争力和掩盖低质量的例子的影响。WloU的动态非单调聚焦机制使用“离群度”替代CIoU对锚框进行质量评估,并提供了明智的梯度增益分配策略。该策略在降低高质量锚框的竞争力的同时，也减小了低质量示例产生的有害梯度。这使得 WIoU可以聚焦于普通质量的锚框，并提高检测器的整体性能并且使模型的泛化能力得到了有效的提高。

        在计算速度上，YOLOv5种引入WloU所增加的计算成本主要在于聚焦系数的计算、IoU损失的均值统计。在实验条件相同时，WloU因为没有对纵横比进行计算反而有更快的速度。在损失函数对比实验中，WloU的计算时长仅为CIoU的87.7%。

 04 基于改进YOLOv7-tiny 算法的输电线路螺栓缺销检测

        传统 YOLOv7-tiny算法采用CIOU 损失函数作为边界框的损失函数。由于训练数据集中不可避免地存在低质量样本,这些样本往往会导致模型的泛化能力下降,特别是当存在几何因素(例如距离和纵横比)时,该问题尤为突出;为此,使用WloU损失函数替代CIoU损失函数。实验测试了2个版本的WIoU函数(WIoUvl和WloUv2) ,经过多次实验,最终选择了WloUv2版本作为替代版本。首先,在loU损失函数的基础上结合了距离注意力机制,得到了具有2层注意力机制的WloUv1;其中，第1层注意力用于计算样本之间的距离,第2层注意力则用于惩罚低质量样本,则有

05 基于改进YOLOv8的SAR图像飞机目标检测算法

 

         为了解决样本质量的不平衡问题，后续又提出Focal-EIOU 损失函数,假设y为控制抑制程度的参数。Focal-EIOU损失函数公式如下:

06 基于改进YOLOv8的隧道火灾检测研究

        CIoU虽然将边界框回归的距离、重叠面积、中心点偏移以及宽高比都考虑在内，避免了DIoU中心点重合时交并比一样无法区分的情况，对于边界框回归有更好的收敛率。但是没有考虑到真实框与预测框之间不匹配的方向。文献[28]指出CIoU公式(5)中v仅仅只是反映了宽高比的差异，而不是预测框宽高和真实框宽高的实际关系，并且质量差的回归样本对回归损失产生了比较大的影响，回归质量相对较好的样本则难以进一步优化。出于这两个原因导致模型训练收敛速度慢且效率较低，预测框不够精确。该文献提出Focal EloUv1来解决质量较好和质量较差的样本间的 BBR 平衡问题。

        但是由于EIoU使用静态聚焦机制(FM,Focusing Mechanism），非单调FM的潜力没有被充分利用，基于这一思想，文献[29]提出了一种具有动态非单调FM 的损失，名为WIoU。

 07 融合 CA-BiFPN 的轻量化人体姿态估计算法

        训练数据集中不可避免的包含低质量样本,距离、纵横比等几何度量都会加剧对低质量样本的惩罚从而使模型的泛化性能下降，因此高质量样本不能够很好的进一步优化。因此本文又引入了具有动态非单调聚焦机制的WloU126损失函数对样本进行平衡,通过动态非单调聚焦机制将loU替换为离群度来评估锚框的质量,以避免几何因素(例如距离和纵横比）对模型的过度惩罚，即
        

图 6 WIoU 示意图

Fig. 6 Chematic diagram of the WIoU

 08基于改进 YOLOv5s 的果园环境葡萄检测

        原YOLOv5s采用CIoU Loss做预测框的损失函数，CIoU损失函数在DIoU的基础上引入了预测边界框与真实边界框的长宽比，在一定程度上可以加快预测框的回归速度，但是两个边界框长宽比的定义十分模糊，并不利于网络的优化。本研究采用了Wise-IoUv3损失函数[28],与前者相比，Wise-loUv3没有引入长宽比的计算，而是在基于注意力的边界框损失 Wise-IoU vl 上，采用了动态非单调的聚焦机制，使用“离群度”来描述锚框的质量。
        首先基于注意力的边界框损失 Wise-IoU vl计算式如下:

09 基于融合 GhostNetV2 的 YOLO v7 水稻籽粒检测

本文采用WIoU替换原来的CIoU作为新的损失函数，首先根据距离度量构造了距离注意力，得到了具有两层注意力机制的WIoUv1：

Focal Loss设计了一种针对交叉嫡的单调聚焦机制，有效降低了普通度量值对损失值的干扰。这使得模型能够聚焦于重要度量值，获得分类性能的提升。WIoUv2构造了单调聚焦系数Liou的表达式:

 

10 结合特征重用与特征重建的 YOLO 绝缘子检测方法