A função de perda desempenha um papel importante na precisão da detecção e na velocidade de convergência do modelo em tarefas de detecção de objetos, e a função de perda da caixa delimitadora dentro da função de perda é um fator importante que afeta os resultados da detecção e a velocidade de convergência do modelo. Para resolver os problemas de baixa precisão de localização dos modelos tradicionais e a lenta convergência do modelo durante o treinamento, este artigo propõe uma função de perda de caixa delimitadora aprimorada baseada na função de perda CIoU, que resolve o problema da explosão do gradiente causada pela razão entre largura e altura da caixa delimitadora durante a derivação da função de perda CIoU e o problema da degradação prematura do modelo, e introduz também uma penalidade adicional que considera a relação entre a região de sobreposição e a largura e altura da caixa alvo e a distância normalizada entre os pontos centrais, melhorando a precisão da detecção e a velocidade de convergência do modelo. Esta função de perda é chamada de BCIoU (Better CIoU). Os resultados experimentais no conjunto de dados PASACL VOC 2007 mostram que a função de perda de caixa delimitadora BCIoU aprimorada na rede YOLOv3 melhora o índice mAP50 em 2,09 % e o índice AP em 6,88 % em comparação com a perda IoU; melhora o índice mAP50 em 1,64 % e o índice AP em 5,35 % em comparação com a perda CIoU. A velocidade de convergência do modelo também teve uma melhora considerável. A função de perda BCIoU proposta neste artigo melhora a precisão da detecção e a velocidade de convergência do modelo, e pode ser facilmente incorporada nos algoritmos atuais de detecção de objetos.

visão computacional;detecção de objetos;regressão de caixa delimitadora;gradiente;função de perda