損失関数は物体検出タスクにおける検出精度とモデルの収束速度に重要な役割を果たしており、損失関数内の境界ボックス損失関数は検出結果とモデルの収束速度に影響を与える重要な要素です。従来のモデルにおける位置精度の低さや学習時のモデル収束の遅さの問題に対して、本論文ではCIoU境界ボックス損失関数を基に改良した境界ボックス損失関数を提案し、CIoU損失関数の導関数における境界ボックスの幅と高さの比から生じる勾配爆発問題とモデルの早期退行問題を解決しました。さらに、重なり領域と対象ボックスの幅高さの関係および中心点間の正規化距離を追加のペナルティ項として導入し、モデルの検出精度と収束速度を向上させました。この損失関数はBCIoU（Better CIoU）と呼ばれます。PASACL VOC 2007データセットでの実験結果は、改良されたBCIoU境界ボックス損失関数がYOLOv3ネットワークにおいてIoU損失と比較してmAP50指標を2.09％、AP指標を6.88％それぞれ改善し、CIoU損失と比較してmAP50指標を1.64％、AP指標を5.35％改善したことを示しています。モデルの収束速度も一定程度向上しました。本論文で提案するBCIoU損失関数はモデルの検出精度と収束速度を向上させ、現在の物体検出アルゴリズムに容易に組み込むことが可能です。

コンピュータビジョン;物体検出;境界ボックス回帰;勾配;損失関数