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。