【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8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: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

检测微小目标是一个非常具有挑战性的问题，因为微小目标的尺寸仅包含几个像素。我们证明了当前最先进的检测器在微小目标上的表现并不理想，原因在于缺乏足够的外观信息。我们的关键观察是，基于交并比（IoU）的度量方法（例如IoU本身及其扩展）对微小目标的位置偏差非常敏感，并且在使用基于锚点的检测器时会严重影响检测性能。为了解决这一问题，我们提出了一种新的评估度量方法，使用Wasserstein距离来检测微小目标。具体来说，我们首先将边界框建模为二维高斯分布，然后提出了一种新的度量方法，称为归一化Wasserstein距离（NWD），通过边界框对应的高斯分布来计算它们之间的相似性。所提出的NWD度量方法可以轻松嵌入到任何基于锚点的检测器的分配、非极大值抑制和损失函数中，以替代常用的IoU度量。我们在一个用于微小目标检测的新数据集（AI-TOD）上评估了我们的度量方法，该数据集的平均目标尺寸比现有的目标检测数据集要小得多。大量实验表明，采用NWD度量方法后，我们的方法性能比标准微调基线高出6.7个AP点，比最先进的竞争对手高出6.0个AP点。代码已发布在：https://github.com/jwwangchn/NWD。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Normalized Wasserstein Distance (NWD) 是一种专门为微小物体检测（Tiny Object Detection, TOD）设计的度量方法，旨在替代传统的 IoU（Intersection over Union）度量，用于衡量两个边界框（bounding boxes）之间的相似性。

1. NWD 的定义

NWD 基于 Wasserstein 距离