Abstract

作者指出IoU损失在理论上有能力精确描述边界框回归状态，但在实践中，它不能自适应地匹配不同的检测器和检测任务，导致泛化能力较弱。
为了解决这个问题，作者首先分析了BBR模型，发现区分不同回归样本并通过不同规模的辅助边界框来计算损失可以有效地加速回归过程。对于高IoU的样本，使用较小的辅助边界框来计算损失可以加快收敛，而低IoU的样本则更适合使用较大尺寸的辅助边界框。基于此Inner-IoU应运而生，它通过辅助边界框来计算IoU损失。

Method

BBox Regression Mode Analysis

蓝色线条10代表实际边界框大小，8和12为辅助边界框
A和E对应低IoU样本的回归状态，B和D对应高IoU样本的回归状态。
对于高IoU样本，小尺度辅助边界框的IoU梯度绝对值大于实际边界框的IoU梯度绝对值
对于低IoU样本，较大尺度的辅助边界框IoU梯度绝对值大于实际边界框IoU梯度绝对值
基于上述观察，我们得出了开始的结论：
由于辅助边框与实际边框之间仅存在尺度差异，在回归过程中其IoU 值的变化趋势与实际边框的IoU值变化趋势一致，能够反应实际边框回归结果的质量
对于高IoU的样本，使用较小的辅助边界框来计算损失可以加快收敛，而低IoU的样本则更适合使用较大尺寸的辅助边界框

Inner-IOU Loss

为了弥补现有IoU损失在不同检测任务中的弱泛化和慢收敛，作者使用辅助边界盒来计算损失，从而加快边界盒回归过程。

Inner-IoU损失计算

其中bl、br、bt、bb分别表示左右上下边界