La función de pérdida juega un papel importante en la precisión de detección y la velocidad de convergencia del modelo para tareas de detección de objetos, y la función de pérdida de la caja delimitadora dentro de la función de pérdida es un factor importante que afecta los resultados de detección y la velocidad de convergencia del modelo. Para abordar los problemas de baja precisión de localización de los modelos tradicionales y la lenta convergencia del modelo durante el entrenamiento, este documento propone una función de pérdida de caja delimitadora mejorada basada en la función de pérdida CIoU, que resuelve el problema de explosión del gradiente causado por la relación ancho-alto de la caja delimitadora durante la derivación de la función de pérdida CIoU y el problema de degradación prematura del modelo, e introduce además como término punitivo adicional la relación entre la región de superposición y la relación ancho-alto de la caja objetivo y la distancia normalizada entre los puntos centrales, mejorando la precisión de detección y la velocidad de convergencia del modelo. Esta función de pérdida se denomina BCIoU (Better CIoU). Los resultados experimentales en el conjunto de datos PASACL VOC 2007 muestran que la función de pérdida de caja delimitadora BCIoU mejorada en la red YOLOv3 mejora el indicador mAP50 en un 2,09 % y el indicador AP en un 6,88 % en comparación con la pérdida IoU; mejora el indicador mAP50 en un 1,64 % y el indicador AP en un 5,35 % en comparación con la pérdida CIoU. La velocidad de convergencia del modelo también mejoró en cierta medida. La función de pérdida BCIoU propuesta en este artículo mejora la precisión de detección y la velocidad de convergencia del modelo, y puede integrarse fácilmente en los algoritmos actuales de detección de objetos.

visión por computadora;detección de objetos;regresión de caja delimitadora;gradiente;función de pérdida