4实验
4.1 结果与分析
首先验证了α-IoU损失在两个数据集上训练基于Anchor和Anchor-Free模型的有效性。
作者选择YOLOv5s(即YOLOv5小)和YOLOv5x(即YOLOv5超大)作为单级基于Anchor的模型，而DETR (ResNet-50)作为Anchor-Free模型。根据公式(4)，α-IoU损失(即α和α)均由现有Baseline推广。
从表1可以看出，在mAP和mAP75:95的多个模型和数据集上，α-IoU损失一致超过现有损失，特别是在高bbox回归精度mAP75:95的情况下。α-IoU损失在高精度水平上的优势更明显，在AP95时相对改善可达60%以上。
有趣的是，α-IoU损失倾向于更有利于轻量化模型(例如，YOLOv5s, 7.3M参数和17 GFLOPs)，而不是大模型(例如，YOLOv5x, 87.7M参数和218.8 GFLOPs)。这表明，当在计算资源有限的场景中训练轻模型时，如移动设备、自动驾驶车辆和机器人，α-IoU损失更具优势。
将α-IoU与一组现有的基于IoU的损失进行比较，以训练一个流行的基于Backbone的两阶段模型，Faster R-CNN (ResNet-50-FPN)。在表2中，MS COCO的结果表明，在mAP和mAP75:95方面，与现有基线相比，α-IoU损失具有相当的竞争力。需要注意的是，Autoloss 同时搜索分类损失和定位损失，因此需要花费大量的搜索时间。相比之下，α-IoU损失只需要对定位损失进行简单的修改，就可以赢得Autoloss，而不会造成任何额外的计算开销。
4.2 对噪声BBox的鲁棒性
如表3所示，在这些噪声场景下，α-IoU显著改善了Baseline损失(即和)。从AP50到AP95获得了越来越多的相对改善，累积到mAP75:95中更显著的改善。
请注意，α-IoU损失在所有噪声场景下也优于AP50的Baseline，当Box是干净的时并不总是这样(表1)。此外，α-IoU损失在更严重的噪声中明显更稳健。例如，当噪声率η从0.1增加到0.3时，根据mAP/mAP75:95, α相对于的相对改善从2.97%/10.26%增加到6.39%/24.09%。这些结果证实了α-IoU损失在噪声Box场景中的优势。
4.3 的敏感性
在这里，通过对和 α的一组实验来评估α- iou在不同α值(α)下的性能。图6显示了YOLOv5s在PASCAL VOC上的结果，包括干净和各种噪声box场景。很明显，具有α的α- iou损失在所有情况下都表现得很好，其中α = 3在大多数情况下表现最好。
当α=比;=3、α- iou损失在低ap上的表现往往比Baseline(即α = 1的α- iou)更差，尽管在高ap上的性能获得了更多的改善。在噪声率η = 0/0.1/0.2/0.3时，α = 10时的性能比α = 3时平均下降了5.61%/10.92%/23.88%/31.82%。
更具体地说，它变得比mAP或mAP75:95的Baseline更差。这说明α的选择对α-iou损失至关重要。
建议直接使用α = 3。
4.4 可视化结果
5参考
[1].Alpha-IoU:A Family of Power Intersection over Union Losses for Bounding Box Regression
