- 引言：目标检测中的边界框回归与损失函数演进
在计算机视觉领域，目标检测是最基本且最具挑战性的任务之一。一个典型的目标检测器（如Faster R-CNN、YOLO、SSD）通常包含两个核心子任务：目标分类（判断框中是什么）和边界框回归（框出目标的位置）。边界框回归的准确性直接决定了检测器的定位精度，而定位精度是衡量检测器性能（如mAP）的关键指标。
早期的主流检测器（如Fast R-CNN、Faster R-CNN）在边界框回归中广泛使用基于L1、L2或Smooth L1的损失函数。这些损失函数通常独立地优化边界框的四个参数（如(x, y, w, h)或(x1, y1, x2, y2)），并通过求和得到总损失。然而，这种方法存在一个根本性的问题：优化目标与评估指标的不一致性。
评估指标：业界衡量检测框（预测框）与真实框（Ground Truth）吻合度的标准是交并比（Intersection over Union, IoU）。IoU计算的是两个框交集面积与并集面积的比值，直观地反映了它们的重叠程度。
优化目标：Smooth L1等损失函数优化的是四个坐标值的绝对差异，并假设这些坐标是相互独立的。但实际上，边界框的四个坐标是强相关的，共同决定了框的位置和形状。
举例说明：如图1所示，假设真实框（绿色）和预测框（黑色）的左下角固定，所有位于以真实框右上角为圆心的虚线上的预测框，其L2损失（或Smooth L1损失）都是相同的。然而，这些预测框与真实框的IoU值却大相径庭，从几乎不重叠到高度重叠。这意味着，一个在L2损失上表现良好的预测框，其IoU可能很低，而L2损失的优化过程并不直接引导网络朝着提高IoU的方向前进。这种“鸿沟”是导致模型定位精度提升瓶颈的重要原因之一。
图1：L2损
