YOLOv10全网最新创新点改进系列：提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数，有效涨点！！嘎嘎开门！！！

YOLOv10全网最新创新点改进系列：提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数，有效涨点！！嘎嘎开门！！！

所有改进代码均经过实验测试跑通！截止发稿时YOLOv10已改进50+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽er！

购买相关资料后畅享一对一答疑！

YOLOv10全网最新创新点改进系列：提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数，有效涨点！！嘎嘎开门！！！

---

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

论文地址戳这里！！！

一、Normalized Wasserstein Distance (NWD)损失函数-摘要

检测微小物体是一个非常具有挑战性的问题，因为微小物体只有几个像素大小。我们证明，由于缺乏外观信息，最先进的检测器无法对微小物体产生令人满意的结果。我们的主要观察结果是，基于交集并集(IoU)的度量，如IoU本身及其扩展，对微小对象的位置偏差非常敏感，当用于基于锚的检测器时，会显著降低检测性能。为了减轻这一点，我们提出了一个新的评估指标使用Wasserstein距离的微小物体检测。具体来说，我们首先将包围盒建模为2D高斯分布，然后提出一种称为归一化瓦瑟斯坦距离(NWD)的新度量，通过它们对应的高斯分布来计算它们之间的相似性。所提出的NWD度量可以容易地嵌入到任何基于锚的检测器的分配、非最大值抑制和损失函数中，以取代通常使用的IoU度量。我们在一个新的微小物体检测数据集(AI-TOD)上评估了我们的度量，其中平均物体大小比现有的物体检测数据集小得多。大量实验表明，当配备NWD度量时，我们的方法产生的性能比标准微调基线高6.7 AP点，比最先进的竞争对手高6.0 AP点。

IoU 对微小和正常尺度物体的敏感性分析。 请注意，每个网格表示一个像素，框 A 表示真实边界框，框 B、C 表示分别具有 1 像素和 4 像素对角线偏差的预测边界框。

两种不同场景下 IoU-偏差曲线和 NWD-偏差曲线的比较。 横坐标值表示A和B中心点之间的像素偏差数量，纵坐标值表示对应的度量值。 请注意，边界框的位置只能离散变化，值-偏差曲线以散点图的形式呈现。

AI学术叫叫兽 在这！家人们，给我遥遥领先！！！
AI学术叫叫兽 在这！家人们，给我遥遥领先！！！
AI学术叫叫兽 在这！家人们，给我遥遥领先！！！

二、亮点（创新点）

我们的贡献总结如下。

1. 我们分析了 IoU 对微小物体位置偏差的敏感性，并提出 NWD 作为衡量两个边界框之间相似性的更好指标。
2. 我们通过将NWD 应用于基于锚的检测器中的标签分配、NMS 和损失函数，设计了一个强大的微小物体检测器。
3. 我们提出的 NWD 可以显着提高流行的基于锚的检测器的 TOD 性能，并且在 AI-TOD 数据集上的 Faster R-CNN 上实现了从 11.1% 到 17.6% 的性能提升。

三、 改进教程

视频演示地址请关注B站：Ai学术叫叫兽

四、验证是否成功即可

执行命令

python train.py

改完收工！
关注B站：AI学术叫叫兽
从此走上科研快速路
遥遥领先同行！！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽er 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

五、写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，所以本文作者即B站Up主：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。因为经历过所以更懂小白的痛苦！因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在动态中有链接，感谢支持！祝科研遥遥领先！