论文地址：https://arxiv.org/pdf/2307.07662v1.pdf
边界框回归（Bounding Box Regression，BBR）在目标检测和实例分割中得到了广泛应用，是目标定位的重要步骤。然而，对于边界框回归的大多数现有损失函数来说，当预测的边界框与真值边界框具有相同的长宽比，但宽度和高度的值完全不同时，无法进行有效优化。为了解决上述问题，我们充分探索水平矩形的几何特征，并提出了一种基于最小点距离的新型边界框相似度比较度量 MPDIoU（Minimum Point Distance based IoU）。该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度的偏差，同时简化了计算过程。在此基础上，我们提出了一种基于 MPDIoU 的边界框回归损失函数，称为 LMPDIoU。实验结果表明，将 MPDIoU 损失函数应用于最先进的实例分割（例如 YOLACT）和目标检测（例如 YOLOv7）模型，并在 PASCAL VOC、MS COCO 和 IIIT5k 数据集上进行训练，优于现有的损失函数。