EIoU Loss + Focal Loss python

### 实现EIoU Loss 和 Focal Loss #### EIoU Loss 的实现 EIoU (Extended Intersection over Union) 是一种改进版的距离损失函数，用于目标检测中的边界框回归。其主要目的是通过考虑中心点距离和纵横比差异来提高定位精度。 下面是基于PyTorch框架的一个简单版本的EIoU Loss实现： ```python import torch def eiou_loss(pred_boxes, target_boxes, eps=1e-7): """ 计算两个矩形框之间的EIoU损失 参数: pred_boxes: 预测框张量，形状为[N, 4]，其中每一行表示[xmin,ymin,xmax,ymax] target_boxes: 目标框张量，形状同上 eps: 小数防止除零错误 返回: 平均EIoU损失值 """ # 获取预测框和真实框的位置参数 x1p, y1p, x2p, y2p = pred_boxes[:,0], pred_boxes[:,1], pred_boxes[:,2], pred_boxes[:,3] x1t, y1t, x2t, y2t = target_boxes[:,0], target_boxes[:,1], target_boxes[:,2], target_boxes[:,3] # 计算交集区域坐标 inter_x1 = torch.max(x1p, x1t) inter_y1 = torch.max(y1p, y1t) inter_x2 = torch.min(x2p, x2t) inter_y2 = torch.min(y2p, y2t) # 计算面积并求IOU intersection_area = torch.clamp(inter_x2 - inter_x1,min=0.) * torch.clamp(inter_y2 - inter_y1,min=0.) pred_area = (x2p-x1p)*(y2p-y1p) target_area = (x2t-x1t)*(y2t-y1t) union_area = pred_area + target_area - intersection_area iou = intersection_area / (union_area + eps) # 中心点距离平方差 center_dist_sq = ((pred_boxes[:,:2]+pred_boxes[:,2:])*.5-(target_boxes[:,:2]+target_boxes[:,2:])*.5).pow(2).sum(dim=-1) # 边界包围盒对角线长度平方 enclose_left_top = torch.minimum(pred_boxes[:,:2], target_boxes[:,:2]) enclose_right_bottom = torch.maximum(pred_boxes[:,2:], target_boxes[:,2:]) c_diag_sq = (((enclose_right_bottom-enclose_left_top)**2).sum(-1)+eps) # 宽高比例误差 w_pred,h_pred=pred_boxes[:,2]-pred_boxes[:,0],pred_boxes[:,3]-pred_boxes[:,1] w_gt,h_gt=target_boxes[:,2]-target_boxes[:,0],target_boxes[:,3]-target_boxes[:,1] v=(4/((torch.atan(w_gt/h_gt)-torch.atan(w_pred/h_pred)).pow(2)+eps)) alpha=v/(1-iou+v+eps) e_iou=iou-(center_dist_sq/c_diag_sq-alpha*v) return 1-e_iou.mean() ``` 此部分代码实现了EIoU损失计算方法[^1]。 #### Focal Loss 的实现 Focal Loss 主要应用于处理类别不平衡问题，在密集物体检测任务中有很好的效果。以下是TensorFlow环境下Focal Loss的具体实现方式： ```python import tensorflow as tf def focal_loss(gamma=2., alpha=.25): def focal_crossentropy(y_true, y_pred): pt_1 = tf.where(tf.equal(y_true, 1), y_pred, tf.ones_like(y_pred)) pt_0 = tf.where(tf.equal(y_true, 0), y_pred, tf.zeros_like(y_pred)) epsilon = K.epsilon() clip_value_min = epsilon clip_value_max = 1.-epsilon pt_1 = tf.clip_by_value(pt_1,clip_value_min ,clip_value_max ) pt_0 = tf.clip_by_value(pt_0,clip_value_min ,clip_value_max ) fl_pos = -alpha*tf.pow(1-pt_1,gamma)*tf.math.log(pt_1) fl_neg = -(1-alpha)*tf.pow(pt_0,gamma)*tf.math.log(1-pt_0) return fl_pos + fl_neg return focal_crossentropy ``` 上述代码定义了一个返回focal crossentropy loss function的方法`focal_loss()`，该loss function可以根据输入数据自动调整权重分配给不同类别的样本。 对于多标签分类情况下的Focal Loss应用，可以参照GitHub上的开源项目[Focal-Loss-implement-on-Tensorflow][^1]来进行扩展支持。