Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点

目录

1.Wasserstein Distance Loss 介绍

2.微小目标提升：加入yolov5/yolov7

2.1加入YOLOv5

2.1.1 utils/metrics.py加入 Wasserstein

2.1.2 utils/loss.py加入 Wasserstein

2.2 加入YOLOv7

2.2.1 utils/loss.py加入 Wasserstein

1.Wasserstein Distance Loss 介绍

论文名称：《A Normalized Gaussian Wasserstein Distance for Tiny Object Detection》
作者：Jinwang Wang、Chang Xu、Chang Xu、Lei Yu
论文地址：https://arxiv.org/abs/2110.13389

小目标检测是一个非常具有挑战性的问题，因为小目标只包含几个像素大小。作者证明，由于缺乏外观信息，最先进的检测器也不能在小目标上得到令人满意的结果。作者的主要观察结果是，基于IoU (Intersection over Union, IoU)的指标，如IoU本身及其扩展，对小目标的位置偏差非常敏感，在基于Anchor的检测器中使用时，严重降低了检测性能。
为了解决这一问题，本文提出了一种新的基于Wasserstein距离的小目标检测评估方法。具体来说，首先将BBox建模为二维高斯分布，然后提出一种新的度量标准，称为Normalized Wasserstein Distance(NWD)，通过它们对应的高斯分布计算它们之间的相似性。提出的NWD度量可以很容易地嵌入到任何基于Anchor的检测器的Assignment、非最大抑制和损失函数中，以取代常用的IoU度量。

1）