### 归一化高斯Wasserstein距离简介 归一化高斯Wasserstein距离(Normalized Gaussian Wasserstein Distance, NWD)是一种专门针对微小目标检测设计的距离度量方法。该方法旨在解决传统IoU及其变体对于位置偏移特别敏感的问题，从而提高微小物体检测的准确性[^1]。 #### 数学定义与特性 NWD通过引入高斯核函数来衡量两个分布之间的差异。具体来说，给定预测框和真实框的概率密度函数p(x)，q(x)，则两者间的NWD可以表示为： \[ \text{NWD}(P,Q)=\frac{\int_{-\infty}^{+\infty}\left[\phi_p * p(x)-\phi_q*q(x)\right]^2dx}{\sqrt{\int_{-\infty}^{+\infty}[p(x)]^2 dx\times\int_{-\infty}^{+\infty}[q(x)]^2 dx}} \] 其中，*代表卷积操作；\( \phi_x=\exp(-|x|^2/(2\sigma ^2))\) 是标准差为σ的一维高斯核函数[^3]。 这种形式不仅考虑到了边界框中心点的位置误差，还兼顾了尺度变化的影响，使得模型能够更好地适应不同尺寸的目标对象。 #### 实现细节 为了便于理解和应用，在官方GitHub仓库中提供了完整的实现代码。以下是计算NWD的一个简化版本Python代码片段: ```python import numpy as np from scipy.stats import norm def gaussian_wasserstein_distance(pred_box, gt_box, sigma=0.5): """ 计算单个预测框pred_box与地面实况gt_box之间的一维Gaussian-Wasserstein distance. 参数: pred_box (tuple): 预测边界的坐标元组 (cx,cy,w,h). gt_box (tuple): 地面真相边界的坐标元组 (cx,cy,w,h). sigma (float): Gauss kernel的标准偏差，默认值设为0.5. 返回: float: 单维度上的NGWD得分. """ # 提取并转换成numpy数组以便后续处理 cx_pred, cy_pred, w_pred, h_pred = map(np.array, zip(*[(b[0], b[1]) for b in [pred_box]])) cx_gt, cy_gt, w_gt, h_gt = map(np.array, zip(*[(b[0], b[1]) for b in [gt_box]])) # 定义辅助变量 mu_pred = np.stack([cx_pred, cy_pred]).T.flatten() mu_gt = np.stack([cx_gt, cy_gt]).T.flatten() cov_pred = ((w_pred / 2)**2 + (h_pred / 2)**2)*np.eye(2) cov_gt = ((w_gt / 2)**2 + (h_gt / 2)**2)*np.eye(2) # 使用scipy库中的norm类模拟二维正态分布 dist_func_pred = norm(loc=mu_pred, scale=np.sqrt(cov_pred.diagonal())) dist_func_gt = norm(loc=mu_gt, scale=np.sqrt(cov_gt.diagonal())) # 计算积分部分 integral_part = lambda x: ( dist_func_pred.pdf(x).reshape((-1, 1))-dist_func_gt.pdf(x)).flatten() ** 2 lower_bound = min(mu_pred.min(), mu_gt.min()) - max(w_pred.max(), w_gt.max()) upper_bound = max(mu_pred.max(), mu_gt.max()) + max(h_pred.max(), h_gt.max()) result = quad(integral_part, lower_bound, upper_bound)[0]/( np.linalg.norm(dist_func_pred.pdf(lower_bound), ord='fro')* np.linalg.norm(dist_func_gt.pdf(lower_bound), ord='fro')) return abs(result) if __name__ == '__main__': from scipy.integrate import quad print(gaussian_wasserstein_distance((1., 1., .8,.6),(1.2,1.2,.7,.5))) ``` 此段代码实现了基本的功能框架，但在实际部署时可能还需要进一步优化以满足特定需求。