Bei der Objekterkennung besteht keine Korrelation zwischen dem von der herkömmlichen Grenzrahmen-Regression-Verlustfunktion regressierten Inhalt und dem Bewertungsmaß IoU (Intersection over Union), und es gibt gewisse Unzulänglichkeiten bei den Regressionsattributen der Grenzrahmen, was zu unvollständigen Regressionsattributen führt, die Erkennungsgenauigkeit und Konvergenzgeschwindigkeit verringert und sogar Regressionseinschränkungen verursacht. Außerdem gibt es in der Regressionsaufgabe ein Ungleichgewicht der Proben, wobei eine große Menge an niedrigqualitativen Proben die Loss-Konvergenz beeinträchtigt. Um die Erkennungsgenauigkeit und die Konvergenzgeschwindigkeit der Regression zu verbessern, wurde eine neue Grenzrahmen-Regression-Verlustfunktion vorgeschlagen. Zunächst wurde das Designkonzept bestimmt und ein Paradigma der IoU-Verlustfunktionsserie entworfen; anschließend wurde auf der Grundlage des IoU-Verlusts das Verhältnis des Umfangs des Rechtecks, das durch zwei Mittelpunkte gebildet wird, zum Umfang des minimal umschließenden Rechtecks, das durch zwei Rahmen gebildet wird, als Strafterm für den Abstand der Mittelpunkte der Grenzrahmen eingeführt, und der verbesserte IoU-Verlust wurde bei der Non-Maximum Suppression (NMS) angewendet. Dann wurden die Breiten- und Höhenfehler zwischen den zwei Rahmen und die quadrierten Breiten und Höhen des minimalen Außenrahmens als Strafterm für Breite und Höhe eingeführt, wodurch die CRIoU-Verlustfunktion (Complete Relativity IoU) definiert wurde. Schließlich wurde auf Basis von CRIoU ein adaptiver Gewichtungsfaktor hinzugefügt, um die Regressionsverluste hochwertiger Proben zu gewichten, und der adaptive fokale CRIoU (Adaptive focal CRIoU, AF-CRIoU) definiert. Experimentelle Ergebnisse zeigen, dass die Verwendung der AF-CRIoU-Verlustfunktion im Vergleich zu traditionellen nicht-IoU-Verlusten die Erkennungsgenauigkeit um bis zu 8,52 % erhöht, im Vergleich zur CIoU-Serie um bis zu 2,69 %, und die Verwendung der Methode A-CRIoU-NMS (Around CRIoU NMS) verbessert die Erkennungsgenauigkeit um 0,14 % gegenüber der ursprünglichen NMS-Methode. Die Anwendung des AF-CRIoU-Verlusts bei der Erkennung von Sicherheitshelmen erzielte ebenfalls sehr gute Ergebnisse.

Objekterkennung;Grenzrahmen-Regression;IoU-Verlustfunktion;Non-Maximum Suppression;adaptiver fokaler Verlust