Die Verlustfunktion spielt eine wichtige Rolle bei der Detektionsgenauigkeit und der Konvergenzgeschwindigkeit von Modellen bei Objekterkennungsaufgaben, wobei die Verlustfunktion für Begrenzungsrahmen ein wichtiger Faktor ist, der die Detektionsergebnisse und die Konvergenzgeschwindigkeit beeinflusst. Zur Lösung der Probleme der niedrigen Lokalisierungsgenauigkeit traditioneller Modelle und der langsamen Modellkonvergenz während des Trainings schlägt dieser Artikel eine verbesserte Verlustfunktion für Begrenzungsrahmen auf Basis der CIoU-Verlustfunktion vor, die das Gradientenexplosionsproblem aufgrund des Breiten-Höhen-Verhältnisses des Begrenzungsrahmens beim Ableiten der CIoU-Verlustfunktion und das Problem der vorzeitigen Modelldegeneration löst. Zusätzlich wird ein Strafterm eingeführt, der den Überlappungsbereich in Bezug auf das Breiten-Höhen-Verhältnis des Zielrahmens und die normalisierte Distanz zwischen den Mittelpunkten berücksichtigt, was die Detektionsgenauigkeit und Konvergenzgeschwindigkeit des Modells verbessert. Diese Verlustfunktion wird BCIoU (Better CIoU) genannt. Experimentelle Ergebnisse auf dem PASACL VOC 2007-Datensatz zeigen, dass die verbesserte BCIoU-Begrenzungsrahmen-Verlustfunktion im YOLOv3-Netzwerk im Vergleich zum IoU-Verlust den mAP50 um 2,09 % und den AP um 6,88 % verbessert; im Vergleich zum CIoU-Verlust den mAP50 um 1,64 % und den AP um 5,35 %. Die Konvergenzgeschwindigkeit des Modells wurde ebenfalls in gewissem Maße verbessert. Die in diesem Artikel vorgeschlagene BCIoU-Verlustfunktion verbessert die Detektionsgenauigkeit und die Konvergenzgeschwindigkeit des Modells und kann leicht in aktuelle Objekterkennungsalgorithmen integriert werden.

Computer Vision;Objekterkennung;Begrenzungsrahmen-Regression;Gradient;Verlustfunktion