本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

Jul, 2018

通过提出 Decoupled IoU Regression (DIR) 模型，将 IoU 按照纯度和完整度两个维度拆分为两个更加清晰的映射以分别处理，同时引入特征对齐提升稳定性。结果显示 DIR 可用于现有的两步检测器并且显著提高它们的性能，并在 MS COCO 基准测试中获得了 51.3% 的 AP，达到了最先进水平。

Feb, 2022

本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

May, 2020

提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

Dec, 2021

本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

Apr, 2023

本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

Nov, 2015

提出了一种针对目标检测中的边界框回归问题的新算法 DIoU Loss，通过加入距离项和三个几何因素（覆盖区域、中心点距离和长宽比），构建了更好的评价指标 CIoU Loss，并将 DIoU Loss 和 CIoU Loss 应用到现有的目标检测算法中，显著提高了性能。

Nov, 2019

本文提出了一种 IoU 感知的单级目标检测器来提高模型的定位准确性，通过将分类分数和预测的 IoU 相乘来计算最终检测可信度，该方法在 COCO 和 PASCAL VOC 数据集上都取得了较好的实验结果。

Dec, 2019

提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

Apr, 2020

研究单阶段物体检测器的损失函数对定位准确性的影响，并提出有关 IoU 平衡的损失函数以解决该问题，在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验，证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。

Aug, 2019