En tareas de detección de objetos, existe una falta de correlación entre el contenido regresado por la función de pérdida tradicional de regresión de cajas delimitadoras y el estándar de evaluación IoU (Intersección sobre Unión), y existen ciertas incoherencias en las propiedades de regresión de las cajas delimitadoras, lo que hace que las propiedades de regresión sean incompletas, disminuyendo la precisión de detección y la velocidad de convergencia, e incluso causando obstáculos en la regresión. Además, en la tarea de regresión también hay un problema de desequilibrio de muestras, ya que una gran cantidad de muestras de baja calidad afecta la convergencia de la pérdida. Para mejorar la precisión de detección y la velocidad de convergencia de la regresión, se propuso una nueva función de pérdida de regresión de cajas delimitadoras. Primero se definió el pensamiento de diseño y se diseñó un paradigma de funciones de pérdida de la serie IoU; luego se introdujo una proporción entre el perímetro del rectángulo formado por dos puntos centrales y el perímetro del rectángulo mínimo cerrado formado por las dos cajas como término de penalización de distancia del punto central de la caja delimitadora, y se aplicó la pérdida IoU mejorada al procesamiento de supresión de no máximos (NMS). Después, se introdujeron los errores de ancho y alto entre las dos cajas y el cuadrado del ancho y alto del marco externo mínimo como términos de penalización de ancho y alto, definiendo la función de pérdida CRIoU (Complete Relativity IoU). Finalmente, sobre la base de CRIoU se agregó un factor de ponderación adaptativo para ponderar la pérdida de regresión de muestras de alta calidad, definiendo la AF-CRIoU (Adaptive focal CRIoU). Los resultados experimentales muestran que usar la función de pérdida AF-CRIoU mejora la precisión de detección hasta un 8,52 % en comparación con las pérdidas tradicionales no basadas en IoU, hasta un 2,69 % comparado con la serie CIoU, y que el uso del método A-CRIoU-NMS (Around CRIoU NMS) mejora la precisión de detección en un 0,14 % en comparación con el método NMS original. La aplicación de la pérdida AF-CRIoU en la detección de cascos de seguridad también logró muy buenos resultados.

Detección de objetos;regresión de cajas delimitadoras;función de pérdida IoU;supresión de no máximos;pérdida focal adaptativa