RT-DETR改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数

一、背景

• 现有问题：大多数现有工作假设训练数据中的样本都是高质量的，专注于增强边界框回归损失的拟合能力。然而，在低质量样本上盲目增强边界框回归会损害定位性能。
• 解决思路：本文使用Wise-IoU，其动态非单调FM使用异常值程度而非IoU来评估锚框的质量，并提供一种有效的梯度增益分配策略。减少高质量锚框的竞争力，同时降低低质量样本产生的有害梯度，使WIoU能够专注于普通质量的锚框，从而提高检测器的整体性能。

专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

• 一、背景
• 二、原理
• • 2.1 原理
  • 2.2 优势
• 三、添加步骤
• • 3.1 ultralytics/utils/metrics.py