La fonction de perte joue un rôle important dans la précision de détection et la vitesse de convergence du modèle pour les tâches de détection d'objets, et la fonction de perte de la boîte englobante dans la fonction de perte est un facteur important influençant les résultats de détection et la vitesse de convergence du modèle. Pour résoudre les problèmes de faible précision de localisation des modèles traditionnels et de lente convergence du modèle pendant l'entraînement, cet article propose une fonction de perte de boîte englobante améliorée basée sur la fonction de perte CIoU, qui résout le problème d'explosion du gradient causé par le rapport largeur/hauteur de la boîte englobante lors de la dérivation de la fonction de perte CIoU et le problème de dégradation prématurée du modèle, et introduit en outre une pénalité supplémentaire basée sur la relation entre la zone de recouvrement et la largeur/hauteur de la boîte cible ainsi que la distance normalisée entre les points centraux, améliorant ainsi la précision de détection et la vitesse de convergence du modèle. Cette fonction de perte est appelée BCIoU (Better CIoU). Les résultats expérimentaux sur le jeu de données PASACL VOC 2007 montrent que la fonction de perte de boîte englobante améliorée BCIoU sous le réseau YOLOv3 améliore de 2,09 % l'indice mAP50 et de 6,88 % l'indice AP par rapport à la perte IoU ; elle améliore de 1,64 % l'indice mAP50 et de 5,35 % l'indice AP par rapport à la perte CIoU. La vitesse de convergence du modèle est également améliorée dans une certaine mesure. La fonction de perte BCIoU proposée dans cet article améliore la précision de détection et la vitesse de convergence du modèle, et peut être facilement intégrée aux algorithmes actuels de détection d'objets.

vision par ordinateur;détection d'objets;régression de boîte englobante;gradient;fonction de perte