一种系统的 IoU 相关方法：超越简化回归以实现更好定位

四变量独立回归定位损失，如 Smooth-$\ell_1$ Loss，在现代检测器中默认使用。然而，此类损失过于简化，以致其与最终评价指标交并比（IoU）不一致。直接采用标准 IoU 也不可行，因为在不重叠框情况下的恒定零平台以及在最小值处的非零梯度可能使其不可训练。为此，我们提出一种系统方法来解决这些问题。首先，我们提出一种新度量，扩展 IoU（EIoU），其在两个框不重叠时定义良好，并在重叠时退化为标准 IoU。其次，我们提出凸化技术（CT）基于 EIoU 构造损失，可保证最小值处梯度为零。第三，我们提出稳态优化技术（SOT）使分数阶 EIoU 损失更平稳平滑地逼近最小值。第四，为充分利用基于 EIoU 的损失的能力，我们引入一个相互关联的 IoU 预测头以进一步提升定位精度。借助上述贡献，将新方法融入以 ResNet50+FPN 为骨干的 Faster R-CNN 中，相较于基线 Smooth-$\ell_1$ Loss，在 VOC2007 上获得 \textbf{4.2 mAP} 提升，在 COCO2017 上获得 \textbf{2.3 mAP} 提升，且几乎 \textbf{无训练和推理计算成本}。具体而言，度量越严格，提升越显著，在度量 $AP_{90}$ 下于 VOC2007 上提升 \textbf{8.2 mAP}，于 COCO2017 上提升 \textbf{5.4 mAP}。