面向小目标检测的类间关系损失：以车牌为案例研究

在单阶段多目标检测任务中，各种基于交并比（IoU）的解决方案旨在训练期间实现目标附近的平滑稳定收敛。然而，由于梯度极其平坦，基于IoU的损失无法正确更新小目标的梯度。在多个目标的更新过程中，由于梯度更新不足，小目标梯度的学习受到的影响更大。因此，我们基于一个简单事实——一个物体与另一个物体存在空间关系（例如，车牌附着在相似位置的汽车上），提出了一种类间关系损失，以有效更新小目标的梯度，同时不牺牲其他目标的学习效率。当预测的车牌边界框不在其汽车内时，会添加一个损失惩罚来引导学习，该惩罚与汽车和预测车牌边界框的重叠面积成反比。通过在类间层面利用空间关系，该损失利用较大目标引导小目标预测，并增强更深层特征图中的潜在信息。在本文中，我们以车牌检测为案例研究，提出了两方面的贡献：（1）一个新的小型车辆多车牌数据集（SVMLP），包含多样化的真实世界场景和高质量标注；（2）一种新颖的类间关系损失函数，旨在提升有效检测性能。我们强调，所提出的ICR损失惩罚可以轻松添加到现有的基于IoU的损失中并提升性能。这些贡献改进了标准平均精度（mAP）指标，在YOLOv12-T和UAV-DETR上，mAP$^{\text{test}}_{50}$分别提升了10.3%和1.6%，无需任何额外的超参数调整。代码和数据集即将发布。