EIoU和Focal-EIoU Loss

1、论文

论文题目：《Focal and Efficient IOU Loss for Accurate Bounding Box Regression》

2、引言

CIoU Loss虽然考虑了边界框回归的重叠面积、中心点距离、高宽比。但是其公式中的v反映的是高宽的差异，而不是高宽分别与其置信度的真实差异。因此，有时会阻碍模型有效的优化相似性。针对这一问题，本文在CIoU的基础上将高宽比拆开，提出了EIoU Loss，并且引入了Focal Loss聚焦优质的锚框。

文章贡献：

1. 将高宽比的损失项拆分成预测的高宽分别与最小外接框高宽的差值，加快了收敛速度，提高了回归精度；
2. 引入了Focal Loss，优化了边界框回归任务中的样本不平衡问题，即减少了与目标边界框重叠程度较低的锚框对BBox回归的优化贡献，使回归过程更专注于高质量的锚框。
3. 对合成数据和真实数据进行了广泛的实验。出色的实验结果验证了所提出方法的优越性。详细的消融实验显示了损失函数和参数值不同设置的影响。

3、EIoU Loss

EIoU Loss包括三个部分：IoU损失、距离损失、高宽损失（重叠面积、中心点举例、高宽比）。高宽损失直接最小化了预测目标边界框和真实边界框的高度和宽度的差异，使其有更快的收敛速度和更好的定位结果。

其中，wc和hc是预测边界框与真实边界框的最小外接矩形的宽度和高度。p是两点之间的欧氏距离。