高斯组合距离：一种通用目标检测度量
计算机视觉与模式识别
2025-11-03 v1
摘要
在目标检测中，明确的相似度度量可以显著提高模型性能。目前，最常使用的 IoU 基于相似度度量。然而，使用 IoU 作为相似度度量的检测器在检测小目标时常表现不佳，因为其对微小位置偏差敏感。为解决此问题，最近的研究提出将 Wasserstein 距离作为测量高斯分布边界框相似度的替代方案。然而，我们注意到 Wasserstein 距离缺乏尺度不变性，这会严重影响模型的泛化能力。此外，当用作损失函数时，其对中心属性的独立优化导致模型收敛缓慢且检测精度不令人满意。为解决这些挑战，我们引入了高斯组合距离（GCD）。通过对 GCD 及其梯度的分析，我们展示 GCD不仅具有尺度不变性，而且促进联合优化，增强了模型的位置精度。在用于小目标检测的 AI-TOD-v2 数据集上进行的广泛实验表明，GCD 作为边界框回归损失函数和标签分配度量，实现了各种检测器的状态-of-the-art 性能。我们进一步在 MS-COCO-2017 和 Visdrone-2019 数据集上验证了 GCD 的通用性，其中它在数据集各种规模下均优于 Wasserstein 距离。代码已公开于 https://github.com/MArKkwanGuan/mmdet-GCD。
关键词
引用
@article{arxiv.2510.27649,
title = {Gaussian Combined Distance: A Generic Metric for Object Detection},
author = {Ziqian Guan and Xieyi Fu and Pengjun Huang and Hengyuan Zhang and Hubin Du and Yongtao Liu and Yinglin Wang and Qang Ma},
journal= {arXiv preprint arXiv:2510.27649},
year = {2025}
}
备注
This paper is accepted by the GRSL in 2025