摘要
涨点效果：在我自己的数据集上，mAP50 由0.986涨到了0.99，mAP50-95由0.737涨到0.753，涨点明显！
目标检测是计算机视觉的基本任务之一，旨在识别图像中的目标并定位其位置。目标检测算法可分为基于锚点和无锚点的方法。基于锚点的方法包括Faster R-CNN、YOLO系列、SSD和RetinaNet等。无锚点方法包括CornerNet、CenterNet和FCOS等。在这些检测器中，边界框回归损失函数作为定位分支的重要组成部分，起着不可替代的作用。
本文提出了一种新的边界框回归损失函数Focaler-IoU，该函数能够关注不同难度的回归样本，并动态调整样本权重以优化回归性能。Focaler-IoU结合了IoU（Intersection over Union）和Focal Loss的思想，通过引入一个可学习的关注因子来调整不同样本的权重。在训练过程中，关注因子会根据回归结果动态调整，使得回归器更加关注那些对定位精度影响较大的样本。
论文《Focaler-IoU：更聚焦的IoU损失》
https://arxiv.org/pdf/2401.10525.pdf
边界框回归在目标检测领域中起着至关重要的作用，而目标检测的定位精度在很大程度上取决于边界框回归的损失函数。现有的研究通过利用边界框之间的几何关系来提高回归性能，而忽略了难易样本分布对边界框回归的影响。本文分析了难易样本分布对回归结果的影响，并提出了Focaler-I