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

通过提出谐波损失，实现了分类分支和定位分支之间的协同优化，使得训练阶段的分类误差和定位误差能够同步优化，从而解决了现有目标检测器中存在的分类得分高但定位不准或者定位准确但分类得分低等预测不一致问题，在 PASCAL VOC 和 MS COCO 的基准测试中均取得了优秀的表现。

Aug, 2021

该研究探究了 IoU 计算在旋转边框中的应用，并实现了 IoU loss 层，使得在 2D 和 3D 目标检测任务中均获得了 KITTI 基准测试上的一致性改进。

Aug, 2019

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

本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

May, 2022

本文提出了一种有效的方法，将一阶段目标检测器的分类任务替换为排名任务，并采用平均准确率 (Average-Precision) 损失函数，通过优化算法，处理了训练中的极端正负样本不平衡问题，获得了比现有 AP-based 优化算法更出色的实验结果。

Aug, 2020

本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

Apr, 2019

本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

Jul, 2022