4、实验
4.1、消融实验
将FMs应用于BBR损失，以研究FMs对附加损失的影响。这些BBR损失的版本2使用了γ = 0.5的设置，以与Focal-EIoU的单调FM对齐。
通过比较BBR损失的版本2和原始版本（表I），可以知道单调的FM对SIoU和EIoU的性能都有负面影响。由于这两种方法对距离度规的惩罚作用更强，因此在单调调频的作用下合成了更大的有害梯度。CIoU和WIoU v1对距离度量的惩罚较小，这使得它们有效地削弱了单调FM对有害梯度的放大。
通过比较BBR损耗的版本3和原始版本（表I），可以知道非单调FM可以有效地提高BBR损失的性能。对于每个BBR损失，都有一组唯一的参数，可以最大化这种性能增益。
此外，还比较了anchor box的回归结果（图5）。具有单调FM的WIoU v2受到低质量样本的影响，导致预测结果较差，WIoU v3受益于动态非单调FM，它有效地屏蔽了低质量样本的影响，并实现了理想的预测。
4.2、消融实验分析
在表一中，BBR损失的原始版本的性能排名为：EIoU > SIoU > CIoU > WIoU v1。这样的命令也符合对距离度量的惩罚的强度。然而，当应用FMs时，BBR损失的性能增益的顺序则相反。在进行的实验中，由WIoU v3训练的模型取得了最好的性能。
在训练过程中监测YOLOv7精度的变化（图9）。由于动态非单调调频，提出的WIoU v3在训练过程中有效地屏蔽了许多负面影响，因此模型的精度可以更快地提高。
将WIoU v3与最先进的BBR损失进行了比较，并获得了精度差异较大的几个类别（表II）。受益于识别低质量样本的能力，WIoU v3训练的模型大大提高了某些类别的精度。同时，该模型对飞机和长椅的精度也有所下降。
作者注意到，一些飞机的标签存在争议（图7），而一些被选择的飞机缺乏突出的特征，如机身。这些例子和低质量的样本一样难以学习，而这部分困难的样本被WIoU v3的FM抛弃了。此外，在板凳的标签上有大量的错误，也有大量的板凳没有被标注。这对于能够很好地推广和检测到更多长凳的模型来说是不公平的。
在有限的参数下学习适当的知识是实时探测器成功的关键。WIoU v3通过权衡对低质量样本和高质量样本的学习情况，提高了模型的整体性能。
5、参考
[1].Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism.
