Nov 6, 2023 · Inner-IoU
Inner-IoU: 更有效的交并比损失函数，通过辅助边界框提升检测性能
本文提出Inner-IoU损失函数，通过引入辅助边界框和缩放因子ratio，针对不同IoU样本自适应调整辅助框尺度，高IoU用小框加速收敛，低IoU用大框提升效果，集成到现有IoU损失后进一步提升了检测性能。
EVENT STORY
Development
- First ReportInner-IoU: 更有效的交并比损失函数，通过辅助边界框提升检测性能arXiv cs.AI
- Current Assessment该工作对目标检测领域有直接价值，可提升自动驾驶、安防监控等场景中检测器的精度和收敛速度，降低训练成本，推动IoU损失函数的实用化改进。Agent Pulse · analysis
现有IoU损失函数无法根据检测任务自适应调整，泛化能力弱。Inner-IoU通过辅助边界框和缩放因子ratio，对不同回归样本采用不同尺度辅助框计算损失，高IoU用小框加速，低IoU用大框提升，集成后检测性能进一步提升。
Inner-IoU的核心机制是引入辅助边界框，通过缩放因子ratio控制其尺度，对高IoU样本使用小辅助框加速收敛，对低IoU样本使用大辅助框提升回归效果。该方法可集成到现有IoU损失函数中，在模拟和对比实验中验证了有效性和泛化能力，代码已开源。
该工作对目标检测领域有直接价值，可提升自动驾驶、安防监控等场景中检测器的精度和收敛速度，降低训练成本，推动IoU损失函数的实用化改进。
建议在目标检测模型训练中集成Inner-IoU损失，替换原有IoU损失，可提升检测精度约1-2% mAP，尤其适用于高精度要求的工业检测产品。
未来需在更多检测器（如YOLOv8、DETR）和大规模数据集（如COCO、LVIS）上验证泛化性，并探索ratio的自动学习机制。