Dans les tâches de détection d’objets, il existe une absence de corrélation entre le contenu régressé par la fonction de perte de régression de boîte englobante traditionnelle et la métrique d’évaluation IoU (Intersection over Union), avec certaines incohérences dans les attributs de régression des boîtes englobantes, conduisant à une régression incomplète des attributs, réduisant la précision de détection et la vitesse de convergence, et pouvant même entraîner une obstruction de la régression. De plus, dans la tâche de régression, il existe un déséquilibre des échantillons, où un grand nombre d’échantillons de faible qualité affectent la convergence de la perte. Pour améliorer la précision de détection et la vitesse de convergence de la régression, une nouvelle fonction de perte de régression de boîte englobante a été proposée. D’abord, la pensée de conception a été déterminée et un paradigme de fonctions de perte de la série IoU a été conçu; ensuite un ratio entre le périmètre du rectangle formé par les deux centres et le périmètre du rectangle englobant minimum formé par les deux boîtes a été introduit comme terme de pénalité de distance entre les centres des boîtes englobantes, et la fonction de perte IoU améliorée a été appliquée au traitement de la suppression non maximale (NMS). Ensuite, l’erreur de largeur et de hauteur entre les deux boîtes et le carré de la largeur et de la hauteur du cadre de l’enveloppe minimale ont été introduits comme termes de pénalité de largeur et de hauteur, définissant la fonction de perte CRIoU (Complete Relativity IoU). Enfin, un facteur de pondération adaptatif a été ajouté sur la base de CRIoU pour pondérer la perte de régression des échantillons de haute qualité, définissant l’AF-CRIoU (Adaptive focal CRIoU). Les résultats expérimentaux montrent que l’utilisation de la fonction de perte AF-CRIoU améliore la précision de détection jusqu’à 8,52 % par rapport aux fonctions de perte classiques non basées sur IoU, jusqu’à 2,69 % par rapport à la série CIoU, et que l’utilisation de la méthode A-CRIoU-NMS (Around CRIoU NMS) améliore la précision de détection de 0,14 % par rapport à la méthode NMS originale. L’application de la perte AF-CRIoU à la détection des casques de sécurité a également donné de très bons résultats.

Détection d’objets;régression de boîte englobante;fonction de perte IoU;suppression non maximale;perte focale adaptative