论文题目：《Focal and Efficient IOU Loss for Accurate Bounding Box Regression》
CIoU Loss虽然考虑了边界框回归的重叠面积、中心点距离、高宽比。但是其公式中的v反映的是高宽的差异，而不是高宽分别与其置信度的真实差异。因此，有时会阻碍模型有效的优化相似性。针对这一问题，本文在CIoU的基础上将高宽比拆开，提出了EIoU Loss，并且引入了Focal Loss聚焦优质的锚框。
文章贡献：
EIoU Loss包括三个部分：IoU损失、距离损失、高宽损失（重叠面积、中心点举例、高宽比）。高宽损失直接最小化了预测目标边界框和真实边界框的高度和宽度的差异，使其有更快的收敛速度和更好的定位结果。
其中，wc和hc是预测边界框与真实边界框的最小外接矩形的宽度和高度。p是两点之间的欧氏距离。
考虑到预测目标边界框回归的过程中存在训练样本不平衡的问题，即在一张图像中，回归误差小的高质量锚框数量远少于误差大的低质量锚框数量。质量较差的锚框会产生过大的梯度，影响训练过程。直接使用EIoU Loss效果并不好，所以作者结合Focal Loss提出了Focal-EIoU Loss，从梯度的角度出发，把高质量的锚框和低质量的锚框分开，公式如下：
作者通过消融实验发现，γ=0.5时可以实现最佳权衡。
注意：该损失中的Focal与传统的Focal Loss有一定的区别。传统的Focal Loss更专注于训练困难的样本，越困难的样本损失越大。而Focal-EIoU Loss则是IoU越高的样本损失越大，相当于加权作用，有助于提高回归精度。
虽然Focal-EIoU Loss偶尔会在大目标附近分配错误的框，但总体而言，在中型和大型目标上的表现效果比其他损失函数更好。但对小目标，Focal-EIoU Loss略逊于IoU Loss，可能会忽略或将低质量框和低置信度预测分配给小目标。
前言Focalloss是一个在目标检测领域常用的损失函数，它是何凯明大佬在RetinaNet网络中提出的，解决了目标检测中 正负样本极不平衡 和难分类样本学习 的问题。论文名称：FocalLossforDenseObjectDetection目录什么是正负样本极不平衡？two-stage样本不平衡问题one-stage样本不平衡问题交叉熵损失函数FocalLoss代码实现 Pytorch什么是正负样本极不平衡？目标检测算法为了定位目标会生成大量的anchorbox（锚框），而一幅图中真实的目标(正样本)个数很少，大量的anchorbox处于背景区域(负样本)，这就导致了正负样本极不平衡。简单来
1、论文论文题目：《FocalandEfficientIOULossforAccurateBoundingBoxRegression》2、引言CIoULoss虽然考虑了边界框回归的重叠面积、中心点距离、高宽比。但是其公式中的v反映的是高宽的差异，而不是高宽分别与其置信度的真实差异。因此，有时会阻碍模型有效的优化相似性。针对这一问题，本文在CIoU的基础上将高宽比拆开，提出了EIoULoss，并且引入了FocalLoss聚焦优质的锚框。文章贡献：将高宽比的损失项拆分成预测的高宽分别与最小外接框高宽的差值，加快了收敛速度，提高了回归精度；引入了FocalLoss，优化了边界框回归任务中的样本不平衡
引言场景：使用Bert做一个违规样本分类模型，数据呈现正负样本不均衡，难易样本不均衡等问题，尝试使用Focalloss替换Bert中后半部分的交叉熵损失函数。初衷：由于使用的Bert模型中使用的损失函数为交叉熵损失函数，torch.nn.CrossEntropyLoss，那么如果能理解实现原理，将focalloss在该api基础上实现，就可以尽可能少修改原始代码Focalloss的公式：其中用到的交叉熵损失函数表达式是（3）FL（pt）=−(1−pt)γlogpt(1)FL（p_{t}）=-(1-p_{t})^{\gamma}\log{p_{t}}\tag{1}FL（pt）=−(1−pt
文章目录前言EIoU论文简介加入YOLOv5Alpha-IoU论文简介加入YOLOv5References前言本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析想要尝试改进YOLOv5-6.1的同学，可以参考以下几篇博客：【魔改YOLOv5-6.x（上）】结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet【魔改YOLOv5-6.x（中）】加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN【魔改YOLOv5-6.x（下）】YOLOv5s+Ghostcon
在YoloV8中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov8添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov8中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：ultralytics/yolo/utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion
在YoloV8中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov8添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov8中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：ultralytics/yolo/utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion
💡该教程为改进入门指南，属于《芒果书》📚系列，包含大量的原创首发改进方式,所有文章都是全网首发原创改进内容🚀💡本篇文章基于YOLOv5、YOLOv7芒果改进YOLO系列：YOLOv7改进IoU损失函数：YOLOv7涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数、打造全新YOLOv7检测器。重点：🔥🔥🔥有不少同学已经反应有效涨点!!!🌟其他改进内容：CSDN原创YOLO进阶目录|《芒果改进YOLO进阶指南》推荐！最全《芒果书📚》改进目录：YOLOv5改进、YOLOv7改进（芒果书系列）目录一览｜原创YOLO改进模型全系列目录|人工智能专家老师联袂
💡该教程为改进入门指南，属于《芒果书》📚系列，包含大量的原创首发改进方式,所有文章都是全网首发原创改进内容🚀💡本篇文章基于YOLOv5、YOLOv7芒果改进YOLO系列：YOLOv7改进IoU损失函数：YOLOv7涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数、打造全新YOLOv7检测器。重点：🔥🔥🔥有不少同学已经反应有效涨点!!!🌟其他改进内容：CSDN原创YOLO进阶目录|《芒果改进YOLO进阶指南》推荐！最全《芒果书📚》改进目录：YOLOv5改进、YOLOv7改进（芒果书系列）目录一览｜原创YOLO改进模型全系列目录|人工智能专家老师联袂
《FocalModulationNetworks》摘要本文提出了
《FocalModulationNetworks》摘要本文提出了
