【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码)

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

介绍

摘要

​ 作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。接着基于以上结论我们，我们提出了Shape-IoU方法，其能够通过聚焦边框自身形状与自身尺度计算损失，从而使得边框回归更为精确。最后我们通过大量的对比实验来验证本文方法，实验结果表明本文方法能够有效提升检测效果且优于现有方法，在不同的检测任务中达到了sota.

创新点

1. 本研究对边界框回归的特性进行了深入分析，并得出结论：在边界框回归过程中，回归样本的形状与尺度因素对回归结果有显著影响。

2. 基于对现有边界框回归损失函数的考量，特别是考虑到回归样本自身形状与尺度对边界框回归的影响，提出了Shape-IoU损失函数。对于小目标检测任务，进一步提出了Shape-Dot-Distance和Shape-NWD损失函数。

3. 采用当前最先进的单阶段检测器，在不同的检测任务上进行了一系列比较实验。实验结果证实，该方法在检测效果上优于现有方法，并达到了行业领先水平（State of the Art，SOTA）。

方法

1.边框回归特性分析

如图所示，图a与图b中，边框回归样本A与B的基准框（GT框）尺度相同，样本C与D的基准框尺度亦相同。样本A与D的基准框形状相同，样本B与C的基准框形状相同。样本C与D的边框尺度大于样本A与B。在图a中，所有边框回归样本的偏移量（deviation）相同，形状偏移量（shape-deviation）为0。图b中，所有边框回归样本的形状偏移量相同，偏移量为0。观察结果如下：

- 图a中，样本A与B的偏移量相同，但它们的IoU值存在差异。
- 图a中，样本C与D的偏移量相同，但它们的IoU值存在差异，且