基于改進(jìn)邊界框回歸損失的YOLOv3 檢測(cè)算法

沈記全，陳相均，翟海霞

（河南理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，河南焦作 454000）

0 概述

目標(biāo)檢測(cè)技術(shù)是很多計(jì)算機(jī)視覺任務(wù)的基礎(chǔ)，如實(shí)例分割［1-3］、圖像描述［4-5］、目標(biāo)跟蹤［6］等，并且在工業(yè)、安防、視頻監(jiān)控、人臉識(shí)別［7］、機(jī)器人視覺［8］、自動(dòng)駕駛［9］等諸多領(lǐng)域有極大的研究?jī)r(jià)值和應(yīng)用前景，受到了學(xué)者們的廣泛關(guān)注。當(dāng)前，目標(biāo)檢測(cè)的研究已取得較大進(jìn)展，檢測(cè)精度及速度在不斷提高。但是，由于尺度變化、旋轉(zhuǎn)、遮擋、光照以及物體的稠密度、角度等不同因素的影響，目標(biāo)檢測(cè)的精度仍有較大的提升空間。近年來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)成為研究熱點(diǎn)，卷積神經(jīng)網(wǎng)絡(luò)可以快速、準(zhǔn)確地從大量樣本中學(xué)習(xí)更通用的特征，并且無需對(duì)樣品進(jìn)行預(yù)處理，避免了復(fù)雜的手工制作和設(shè)計(jì)。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法大致分為兩階段檢測(cè)算法和單階段檢測(cè)算法兩種：一種是包括R-CNN［10］、Fast R-CNN［11］、Faster R-CNN［12］和Pyramid Networks［13］的兩階段檢測(cè)算法，被稱為基于候選區(qū)域的目標(biāo)檢測(cè)算法，其將目標(biāo)檢測(cè)過程分解為候選區(qū)域提取、候選區(qū)域分類和候選區(qū)域坐標(biāo)修正3 個(gè)步驟；另一種是包括SSD［14］、RetinaNet［15］和YOLO［16-18］系列的單階段檢測(cè)算法，被稱為基于回歸分析的目標(biāo)檢測(cè)算法，其將目標(biāo)檢測(cè)問題視為對(duì)目標(biāo)位置和類別信息的回歸分析問題，通過一個(gè)神經(jīng)網(wǎng)絡(luò)模型直接輸出檢測(cè)結(jié)果。盡管存在這些不同的檢測(cè)框架，但無論對(duì)于單階段算法還是兩階段算法，邊界框回歸都是預(yù)測(cè)矩形框以對(duì)目標(biāo)對(duì)象進(jìn)行定位的關(guān)鍵步驟。

現(xiàn)有的目標(biāo)檢測(cè)算法常用平均絕對(duì)誤差（Mean Absolute Error，MAE）損失（又稱L1 范數(shù)損失）、均方誤差（Mean Square Error，MSE）損失（又稱L2 范數(shù)損失）函數(shù)計(jì)算邊界框位置坐標(biāo)的回歸損失，但是L1、L2 范數(shù)損失對(duì)邊界框的尺度具有敏感性，尺度越小的邊界框預(yù)測(cè)偏差對(duì)其影響越大，且卷積神經(jīng)網(wǎng)絡(luò)在評(píng)價(jià)邊界框的回歸效果時(shí)使用交并比（Intersection over Union，IoU）作為評(píng)價(jià)標(biāo)準(zhǔn)，而L1、L2 范數(shù)損失與IoU 之間的優(yōu)化并非等價(jià)。文獻(xiàn)［19］提出將IoU 作為邊界框回歸損失函數(shù)對(duì)檢測(cè)模型進(jìn)行優(yōu)化，但是存在真值框與預(yù)測(cè)框無交集時(shí)優(yōu)化效果不佳的情況。文獻(xiàn)［20］提出一種通用的優(yōu)化邊界框的方式破折號(hào)GIoU，解決了在真值框和預(yù)測(cè)框無交集的情況下將IoU 作為邊界框損失函數(shù)不能反映邊界框之間的距離、以及函數(shù)梯度為零導(dǎo)致模型無法被優(yōu)化等問題。文獻(xiàn)［21］采用GIoU 損失對(duì)YOLOv2 模型損失函數(shù)進(jìn)行改進(jìn)，提高了模型對(duì)車身焊點(diǎn)的檢測(cè)精度。文獻(xiàn)［22］在YOLOv3 網(wǎng)絡(luò)中引入空間金字塔池化單元，并采用GIoU 損失計(jì)算坐標(biāo)損失，在不降低速度的情況下，提高了無人機(jī)對(duì)罌粟的檢測(cè)效率。上述損失函數(shù)雖然總體上比傳統(tǒng)邊界框損失函數(shù)效果更好，但在某些情況下仍存在收斂效果不佳的問題。

本文提出邊界框回歸損失算法BR-IoU。將IoU作為邊界框回歸的損失項(xiàng)，加強(qiáng)損失函數(shù)的優(yōu)化與IoU 之間的聯(lián)系，并添加懲罰項(xiàng)加快真值框與預(yù)測(cè)框中心點(diǎn)之間的重疊速度，通過使預(yù)測(cè)框和真值框?qū)捀弑缺３忠恢?，提升邊界框的回歸收斂效果。

1 相關(guān)工作

1.1 IoU 與GIoU

交并比（IoU）也被稱為Jaccard 系數(shù)，用于衡量?jī)蓚€(gè)邊界框重疊面積的相對(duì)大小，是2D 和3D 目標(biāo)檢測(cè)中常用的評(píng)價(jià)標(biāo)準(zhǔn)。IoU 具有尺度不變性、非負(fù)性和對(duì)稱性，不僅可以用來確定正負(fù)樣本，而且還可以反映模型中預(yù)測(cè)框的檢測(cè)效果。如圖1 所示，A 和B 為2 個(gè)重疊的邊界框，其Jaccard 系數(shù)公式如下：

圖1 矩形A、B 與最小封閉框CFig.1 Rectangle A，B and the smallest enclosed frame C

將IoU 作為邊界框回歸損失，其損失函數(shù)如下：

雖然IoU 作為評(píng)價(jià)標(biāo)準(zhǔn)具有優(yōu)勢(shì)，但是當(dāng)邊框無交集時(shí)將IoU 作為損失函數(shù)會(huì)導(dǎo)致無法反映兩個(gè)邊界框彼此之間的距離、損失函數(shù)梯度為零不能被優(yōu)化等問題。如圖2 所示，圖2（a）場(chǎng)景預(yù)測(cè)框的位置相較于圖2（b）場(chǎng)景離真實(shí)框更近，但是IoU 的值卻都為0。

圖2 邊界框無交集時(shí)IoU 的比較Fig.2 IoU comparison when bounding boxes have no intersection

基于此，2019 年REZATOFGHI 等［20］提出的GIoU繼承了IoU 具有的尺度不變性、非負(fù)性和對(duì)稱性，同時(shí)克服了IoU 在邊界框無交集情況下的不足。令圖1 中包含A 和B 的最小封閉框?yàn)镃，則GIoU 公式如下：

當(dāng)A、B 兩個(gè)邊界框完全重疊時(shí)，IIoU(A，B)=1；當(dāng)A、B 兩個(gè)邊界框無交集時(shí)，IIoU(A，B)=0。因此，IoU的取值區(qū)間為［0，1］。而GIoU 的取值區(qū)間具有對(duì)稱性，即-1 ≤GGIoU(A，B)≤1，與IoU 相似：當(dāng)兩個(gè)邊界框完全重疊，即|A ∪B|=|A ∩B|時(shí)，GGIoU(A，B)=1；當(dāng)兩個(gè)邊界框無交集且距離無限大時(shí)，最小包圍框C的面積趨近于無窮大，此時(shí)GGIoU(A，B)=-1。

GIoU 取值區(qū)間的對(duì)稱性使其比IoU 更能反映邊界框的重疊和非重疊情況。本文將GIoU 作為邊界框回歸損失，其損失函數(shù)如下：

可以看出，邊界框之間的GIoU 值越大，GGIoU_loss值越小，邊界框的回歸收斂效果越好。

1.2 YOLOv3 模型

YOLOv3 模型是具有代表性的單階段目標(biāo)檢測(cè)算法，其通過縮放、填充將不同尺寸輸入圖像的大小調(diào)整為32 的倍數(shù)，再分成S×S個(gè)非重疊的網(wǎng)格，如圖3 所示（S=7）。

圖3 輸入圖像網(wǎng)格示意圖Fig.3 Grid diagram of input image

每個(gè)網(wǎng)格負(fù)責(zé)檢測(cè)中心點(diǎn)位置坐標(biāo)落入該格的物體，網(wǎng)格中預(yù)設(shè)有3 個(gè)邊界框和C個(gè)類別概率。在邊界框預(yù)測(cè)的5 個(gè)分量x、y、w、h和置信度中，（x，y）坐標(biāo)表示邊界框的中心點(diǎn)相對(duì)于網(wǎng)格單元的位置，（w，h）坐標(biāo)表示邊界框的尺寸，置信度用來判斷邊界框中存在物體的概率。YOLOv3 通過對(duì)置信度設(shè)定閾值過濾掉低分的邊界框，再對(duì)剩下的邊界框使用非極大值抑制（Non-Maximum Supression，NMS）算法去除冗余邊界框，得到預(yù)測(cè)結(jié)果，因此，YOLOv3每個(gè)網(wǎng)格有3×(5+C)個(gè)屬性值。為了加強(qiáng)對(duì)小物體的檢測(cè)性能，YOLOv3 借鑒了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）的思想，采用多尺度特征融合的方式，在不同特征層對(duì)不同大小的物體進(jìn)行預(yù)測(cè)。同時(shí)，YOLOv3 通過上采樣，自頂向下地融合底層的高分辨率信息和高層的高語(yǔ)義信息，提高了對(duì)不同尺度物體的檢測(cè)精度，尤其增強(qiáng)了對(duì)小物體的檢測(cè)精度。

YOLOv3 采用L2 范數(shù)計(jì)算邊界框坐標(biāo)的回歸損失，L2 范數(shù)損失中不同尺寸邊界框?qū)ζ漕A(yù)測(cè)框坐標(biāo)產(chǎn)生偏差的敏感度也不同。相對(duì)于大尺寸邊界框，尺寸越小的邊界框預(yù)測(cè)偏差對(duì)其IoU 的影響越大，因此，YOLOv3 在邊界框位置損失部分乘以系數(shù)(2-tw×th)來緩解這一情況。為了實(shí)現(xiàn)多標(biāo)簽分類，YOLOv3 采用二元交叉熵函數(shù)取代softmax 函數(shù)計(jì)算邊界框的類別損失。softmax 函數(shù)假設(shè)每個(gè)對(duì)象只屬于一個(gè)類別，但是在一些復(fù)雜場(chǎng)景下，一個(gè)對(duì)象可能屬于多個(gè)類別（例如女人和人），因此，在目標(biāo)類別較復(fù)雜的數(shù)據(jù)集上，多標(biāo)簽分類的二元交叉熵函數(shù)能取得更好的預(yù)測(cè)結(jié)果。YOLOv3 網(wǎng)絡(luò)模型的損失函數(shù)分為邊界框坐標(biāo)損失、置信度損失和分類損失。損失函數(shù)如式（6）所示：

圖4 YOLOv3 算法檢測(cè)過程Fig.4 Detection process of YOLOv3 algorithm

2 BR-IoU 邊界框回歸損失算法

采用L2 范數(shù)邊界框回歸損失函數(shù)的YOLOv3檢測(cè)算法通常會(huì)出現(xiàn)以下2 個(gè)問題：

1）如圖5 所示，4 組邊界框角點(diǎn)坐標(biāo)距離的L2 范數(shù)損失值相等，但I(xiàn)oU 值卻不同，這表明L2 范數(shù)損失不能準(zhǔn)確地反映IoU 值的變化，與IoU 之間不具有強(qiáng)相關(guān)性。

圖5 L2 范數(shù)損失值相等時(shí)IoU 的變化Fig.5 Change of IoU when L2 norm loss values are equal

2）L2 范數(shù)損失具有尺度敏感性，在算法訓(xùn)練過程中，當(dāng)兩個(gè)邊界框的IoU 值相同時(shí)，大尺寸邊界框會(huì)產(chǎn)生更多的損失值使小尺寸邊界框難以被優(yōu)化，導(dǎo)致算法對(duì)小尺寸目標(biāo)的檢測(cè)效果不佳。

針對(duì)上述問題，本文提出BR-IoU 算法，為方便不同邊界框損失算法的性能對(duì)比，將BR-IoU 算法分為BR-IoU-A 算法和BR-IoU-B 算法。

BR-IoU-A 算法將IoU 作為邊界框回歸的損失項(xiàng)，強(qiáng)化與IoU 之間的聯(lián)系，并繼承了IoU 的尺度不變性，使得不同尺度的邊界框在回歸過程中獲得更均衡的損失優(yōu)化權(quán)重。然后算法在IoU 損失項(xiàng)的基礎(chǔ)上添加一個(gè)懲罰項(xiàng)，通過最小化預(yù)測(cè)框與真值框中心點(diǎn)圍成矩形的面積，加快預(yù)測(cè)框中心點(diǎn)與真值框中心點(diǎn)的重疊速度。算法的懲罰項(xiàng)使邊界框在任何情況下都存在梯度，在邊界框無交集的情況下仍然能夠反映邊界框間的相對(duì)距離，為邊界框的優(yōu)化提供移動(dòng)方向，如圖6 所示，D 是真值框Bg的中心點(diǎn)bg和預(yù)測(cè)框B 的中心點(diǎn)b 圍成的矩形框，Bc是真值框Bg與預(yù)測(cè)框B 的最小封閉框，w和h為D 的寬和高，wc和hc為Bc的寬和高，則BR-IoU-A 計(jì)算公式如下：

圖6 BR-IoU-A 算法示意圖Fig.6 Schematic diagram of BR-IoU-A algorithm

利用BR-IoU-A 算法計(jì)算邊界框回歸損失，損失函數(shù)如下：

BR-IoU-A 損失繼承了IoU 和GIoU 損失的優(yōu)良屬性：1）BR-IoU-A 損失對(duì)邊界框的尺度不敏感，具有尺度不變性；2）BR-IoU-A 損失在邊界框無交集情況下仍然存在損失梯度，可以為邊界框的優(yōu)化提供移動(dòng)方向；3）當(dāng)兩個(gè)邊框完全重疊時(shí)，GGIoU=BBR-IoU-A=1，GGIoU_loss=BBR-IoU-A_loss=0；當(dāng)兩個(gè)邊框距離無限遠(yuǎn)時(shí)，GGIoU=BBR-IoU-A=-1，GGIoU_loss=BBR-IoU-A_loss=2。但在某些情景下，如圖7 所示（其中，實(shí)線框?yàn)檎嬷悼颍摼€框?yàn)槠矫鏈y(cè)框），真值框?qū)捄透叩闹刀紴?，預(yù)測(cè)框?qū)捄透叩闹禐?.5。此時(shí)無論預(yù)測(cè)框與真值框的中心點(diǎn)間的距離如何變化，GIoU 與IoU 損失值都不變，由此可見，BR-IoUA 損失算法能很好地區(qū)分邊界框之間的重疊情況。

圖7 中心點(diǎn)間相對(duì)位置比較Fig.7 Comparison of relative positions between center points

圖7（a）圖像的檢測(cè)效果優(yōu)于圖7（b）圖像，BR-IoU-A 損失算法通過值的變化來反映這種情況。

算法BR-IoU-A 邊界框回歸損失算法

圖8 預(yù)測(cè)框不同寬高比下的檢測(cè)效果對(duì)比Fig.8 Comparison of detection effects under different aspect ratios of predicted bounding boxes

圖8（a）預(yù)測(cè)框的寬高比值相較于圖8（b）預(yù)測(cè)框更接近真實(shí)框，預(yù)測(cè)效果更好，但BR-IoU-A 值卻相同。因此，本文在BR-IoU-A 的基礎(chǔ)上，結(jié)合預(yù)測(cè)框與真值框之間寬高比的一致性提出BR-IoU-B 損失算法，計(jì)算公式如下：

其中，參數(shù)V使預(yù)測(cè)框?qū)捀弑扰c真值框的保持一致，C是V的平衡參數(shù)，當(dāng)兩個(gè)邊界框無交集或IoU 值較低時(shí)，使邊界框之間的重疊因子在回歸過程中獲得較高優(yōu)先級(jí)，從而加快邊界框回歸的收斂速度。

其中：wg、hg分別為真值框的寬和高；wp、hp分別為預(yù)測(cè)框的寬和高。綜上，BR-IoU-B 損失函數(shù)如下：

使用BR-IoU 邊界框回歸損失算法對(duì)YOLOv3模型進(jìn)行改進(jìn)，改進(jìn)后的損失函數(shù)如下：

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)?zāi)Ｐ突赥ensorflow1.13.1 框架，編程語(yǔ)言為python3.7，實(shí)驗(yàn)操作系統(tǒng)為Ubuntu16.04，GPU型號(hào)為NVIDIA Tesla P40，CUDA版本為10.0。為了驗(yàn)證BR-IoU算法的實(shí)際性能，將原始YOLOv3的邊界框回歸損失部分分別替換成GIoU 損失算法（簡(jiǎn)稱G-YOLO）、BR-IoU-A 損失算法（簡(jiǎn)稱BR-YOLO-A）、BR-IoU-B損失算法（簡(jiǎn)稱BR-YOLO-B）。在PASCAL VOC 2007+2012 數(shù)據(jù)集和COCO 2014 數(shù)據(jù)集上進(jìn)行模型評(píng)測(cè)和對(duì)比實(shí)驗(yàn)。

在算法訓(xùn)練過程中，為了增強(qiáng)模型性能，對(duì)數(shù)據(jù)集中的原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)操作，通過圖像隨機(jī)裁剪、旋轉(zhuǎn)、平移、顏色變化等方法，增加圖像的多樣性，使神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的泛化效果，提高模型魯棒性。此外，為檢測(cè)不同尺度圖像中包含的不同尺度和形狀的目標(biāo)，在每個(gè)檢測(cè)層中設(shè)定不同尺度的先驗(yàn)框與真實(shí)標(biāo)簽進(jìn)行匹配。網(wǎng)絡(luò)輸入大小為416×416，模型參數(shù)更新方式為Adam，初始學(xué)習(xí)率為0.000 1，權(quán)重衰減設(shè)置為0.000 5。對(duì)于VOC 和COCO 數(shù)據(jù)集，模型加載預(yù)訓(xùn)練權(quán)重來完成初始化，令其他沒有預(yù)訓(xùn)練權(quán)重的部分在訓(xùn)練過程中自適應(yīng)微調(diào)參數(shù)，然后訓(xùn)練整個(gè)模型。為了在訓(xùn)練過程中使模型穩(wěn)定，算法為模型訓(xùn)練設(shè)置兩個(gè)輪次迭代的熱身階段。實(shí)驗(yàn)采用平均精度（Average Precision，AP）反映每一類目標(biāo)的檢測(cè)效果，平均精度是從準(zhǔn)確率和召回率兩個(gè)方面來衡量檢測(cè)算法的準(zhǔn)確性，可以直觀地表現(xiàn)模型對(duì)單個(gè)類別的檢測(cè)效果；采用平均精度均值（mean Average Precision，mAP）來衡量多類目標(biāo)的平均檢測(cè)精度，mAP 值越高，模型在全部類別中綜合性能越高。

3.1 在PASCAL VOC 數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)

PASCAL VOC 2007+2012訓(xùn)練集共包含16 551張圖像、40 058 個(gè)樣本框，分為4 個(gè)大類和20 個(gè)小類。VOC 2007 測(cè)試集包含4 952 張圖像、12 032 個(gè)樣本框。PASCAL VOC 通過計(jì)算數(shù)據(jù)集IoU=0.5 時(shí)的mAP 對(duì)模型進(jìn)行評(píng)價(jià)。該組實(shí)驗(yàn)在PASCAL VOC數(shù)據(jù)集上的訓(xùn)練迭代次數(shù)為100 輪，測(cè)試集上的mAP 及各類別目標(biāo)的AP 檢測(cè)結(jié)果如圖9 和表1所示。

圖9 PASCAL VOC 數(shù)據(jù)集上不同算法的AP 對(duì)比Fig.9 AP comparison of different algorithms on PASCAL VOC data set

表1 PASCAL VOC 數(shù)據(jù)集上不同算法的性能對(duì)比Table 1 Performance comparison of different algorithms on PASCAL VOC data set

實(shí)驗(yàn)結(jié)果表明，在不影響模型檢測(cè)速度的情況下，BR-YOLO-B 算法的mAP 高出原YOLOv3 算 法2.54 個(gè)百分點(diǎn)，高出G-YOLO 算法1.51 個(gè)百分點(diǎn)。

3.2 在COCO 數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)

COCO 2014 訓(xùn)練集共包含82 783 張圖像，分為80 個(gè)類別。從驗(yàn)證集中選取5 000 張圖像作為測(cè)試集對(duì)模型進(jìn)行評(píng)價(jià)。COCO 數(shù)據(jù)集將IoU 在［0.5∶0.95］區(qū)間內(nèi)，步長(zhǎng)為0.05 的10 個(gè)取值分別計(jì)算mAP 并取平均值作為檢測(cè)模型的評(píng)價(jià)結(jié)果，相比VOC 數(shù)據(jù)集，COCO 數(shù)據(jù)集的多IoU 評(píng)價(jià)標(biāo)準(zhǔn)對(duì)檢測(cè)算法的要求更高，更能反映檢測(cè)算法的綜合性能。該組實(shí)驗(yàn)在COCO 2014 數(shù)據(jù)集上的迭代次數(shù)為120 輪，實(shí)驗(yàn)結(jié)果如圖10 和表2 所示。可以看出，后3 種模型相對(duì)YOLOv3 的檢測(cè)效果均有所提高，這得益于BR-IoU-A 損失算法相比L2損失算法對(duì)不同尺度邊界框的回歸優(yōu)化更均衡，并且與評(píng)價(jià)指標(biāo)IoU 之間的優(yōu)化更加密切，模型BR-YOLO-A 算法的mAP 對(duì) 比YOLOv3 提高了1.63 個(gè)百分點(diǎn)。此外，由于BR-IoU-B 算法進(jìn)一步對(duì)預(yù)測(cè)框與真值框之間寬高比的一致性進(jìn)行優(yōu)化，因此BR-YOLO-B 算法的mAP 比YOLOv3 提高了2.07 個(gè)百分點(diǎn)。

圖10 PASCAL VOC 數(shù)據(jù)集上的檢測(cè)效果對(duì)比Fig.10 Comparison of detection effects on PASCAL VOC data set

表2 COCO 2014 數(shù)據(jù)集上不同算法的mAP 對(duì)比Table 2 mAP comparison of different algorithms on COCO 2014 data set %

表3 所示為4 種檢測(cè)算法的空間與時(shí)間復(fù)雜度比較結(jié)果，其中時(shí)間復(fù)雜度為模型檢測(cè)每張圖像所需要的時(shí)間。由于模型的骨干網(wǎng)絡(luò)都為Darknet53，因此4 種算法的網(wǎng)絡(luò)參數(shù)數(shù)量基本相同，約為236×106。由表3 可以看出，相比YOLOv3算法，BR-YOLO-A 和BR-YOLO-B 算法檢測(cè)速度更快。

表3 不同算法的時(shí)空間復(fù)雜度對(duì)比Table 3 Time and space complexity comparison of different algorithms

4 結(jié)束語(yǔ)

針對(duì)YOLOv3 的L2 范數(shù)邊界框回歸損失函數(shù)對(duì)邊界框的尺度敏感，以及與算法檢測(cè)效果的評(píng)價(jià)標(biāo)準(zhǔn)IoU 之間相關(guān)性不強(qiáng)等問題，本文提出BR-IoU 算法，通過將IoU 作為損失項(xiàng)強(qiáng)化邊界框回歸與算法評(píng)估標(biāo)準(zhǔn)的相關(guān)性，最小化真值框和預(yù)測(cè)框中心點(diǎn)形成矩形的面積，同時(shí)提高預(yù)測(cè)框與真值框之間寬高比的一致性，以加強(qiáng)邊界框的回歸收斂性能。實(shí)驗(yàn)結(jié)果表明，BR-IoU能夠有效提高YOLOv3 算法的檢測(cè)精度和檢測(cè)速度。下一步將結(jié)合本文算法設(shè)計(jì)思想對(duì)其他目標(biāo)檢測(cè)算法的邊界框回歸損失函數(shù)進(jìn)行改進(jìn)，在不影響檢測(cè)速度的情況下達(dá)到更高的檢測(cè)精度。