RT-DETR改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度

一、本文介绍

本文记录的是基于NWD的RT-DETR的损失函数改进方法研究。目前的IoU-Loss在一些情况下不能提供梯度来优化网络，例如当预测边界框P和真实边界框G没有重叠（即$|P\cap G|=0$），或者P完全包含G或反之（即$|P\cap G|=P$或G），而这两种情况在微小物体检测中非常常见。CIoU和DIoU虽然能处理上述两种情况，但它们基于IoU，对微小物体的位置偏差很敏感。而本文的改进方法能够使模型解决这些问题，实现对小目标的精确检测。

---

专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、NWD设计原理

NWD损失函数设计的原理及优势如下：

2.1 NWD计算原理

• 首先将边界框建模为二维高斯分布，对于两个二维高斯分布$m{u}_{}$