引入基于加权 IoU 的 WiseIoU 回归损失以提升 CT 图像检测鲁棒性

目前我的模型还差一个创新点,由于已经修改了backbone和AIFI,并且rt-detr的检查头不太好修改,CCFF这个模块我又不太想动它,目前就只能尝试修改损失函数

1.创新背景(为什么需要 WiseIoU)

在医学影像特别是钡餐超影 CT 图像中,存在 目标边界模糊、类间差异弱、噪声高 的特点。传统的 IoU/GIoU/CIoU 在边界回归时对异常样本敏感,容易出现:

  • 梯度震荡

  • 训练早期不稳定

  • 对小目标与模糊目标拟合不够

因此,需要一种更 平滑、更鲁棒 的回归损失。

2.WiseIoU 的核心思想

WiseIoU(WIoU)通过引入 动态加权因子(Wise Weighting) 对不同质量的预测框赋予不同梯度,同时加入平滑项,使得:

  • 高质量样本获得更高权重,促进精确框优化

  • 低质量样本减少梯度扰动,提高训练稳定性

  • 对模糊边界更友好,适合 CT 影像

其基本损失形式可写为:

其中权重项:

特点:小 IoU 区域的梯度更平滑,大 IoU 区域更精细优化。

因为我的 CT 数据边界模糊,所以 WiseIoU 可以缓解不稳定回归带来的误差。

3.WiseIoU 在本研究中的整合方式

在 rt-detr 框架中,我将原有的 CIoU 换成 WiseIoU,并依据医学小样本的特点调整了权重策略,使得模型在训练早期更加稳定。同时,我将 WiseIoU 与本文提出的 VEFN 与 PConv_Rep 模块组合,形成端到端优化结构。

实验如下:

模型 Precision Recall F1 mAP50 Params(M) GFLOPS
Baseline (rt-detr) 84.4% 70.7% 76.9% 80.3% 19.8 57.3
Baseline + WiseIoU 85.6% 79.3% 82.3% 86.1% 19.5 56.6

效果提升:

  • Recall 提升 +8.6%

  • F1 提升 +5.4%

  • mAP50 提升 +5.8%

说明 WiseIoU 对模糊边界、小目标非常友好。

相关推荐
郝学胜-神的一滴30 分钟前
Effective Python 条款36:优雅拼装迭代器与生成器
开发语言·数据结构·人工智能·python·numpy·scikit-learn
Frag0ut1 小时前
Chrome 2026浏览器AI助手全攻略:智能问答与内容创作实战进阶指南
人工智能·chrome·ai助手·本地大模型·浏览器ai·网页智能总结·侧边栏ai
如夏倾城2 小时前
入侵检测系统(IDS)原理、部署模式与 IPS/防火墙对比
大数据·网络·人工智能·网络安全·云原生·架构·kubernetes
Norna2 小时前
Git 给路径加了引号,这个文件就从 review 里消失了
python
Dawson Zhu2 小时前
【模型量化⑤】Weight-Only INT4:AWQ与GPTQ两大算法深度解析
人工智能·语言模型·架构·aigc·agi
wuyk5552 小时前
Python办公自动化-第04讲-批量新建Excel
开发语言·python·excel
wuyk5552 小时前
Spider-第20讲-综合实战可上线爬虫
大数据·爬虫·python·elasticsearch
水如烟2 小时前
孤能子视角:通用智能 vs 分工协同智能群系统–––集中结晶 vs 分布式结晶
人工智能
罗西的思考3 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习