一、引言

本文通过估计锚框的离群度定义一个动态聚焦机制（FM） f(β)，β = Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism 。FM通过将小梯度增益分配到具有小β的高质量锚框，使锚框回归能够专注于普通质量的锚框。
同时，该机制将小梯度增益分配给β较大的低质量锚箱，有效削弱了低质量样例对锚框回归的危害。
作者将这种操作称之为明智的IOU(WIoU)。

二、实现细节

由于训练数据不可避免地包含低质量的例子，距离、横纵比等几何因素会加重低质量例子的惩罚，从而降低模型的泛化性能。一个好的损失函数应该在锚盒与目标盒重合良好时弱化几何因素的惩罚，训练中较少的干预会使模型获得更好的泛化能力。在此基础上构建距离注意力，得到具有两层注意机制的WIoU v1:
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism ，这将显著放大普通质量锚框的。
，这将显著降低高质量锚框的，并在锚框与目标框重合良好时，将焦点集中在中心点之间的距离上。