形态感知样本分配：克服IoU不敏感性用于表面缺陷检测
IoU是目标检测中衡量候选框与真实框匹配程度的关键指标，但存在不敏感区域，导致不同几何重叠的样本获得相似IoU分数。本文提出一组形态相似度度量（面积、形状、长宽比），通过均值聚合辅助匹配分数，重塑响应分布，提升正样本分配精度。基于YOLOv9的实验在NEUDET和GC10-DET数据集上取得一致性能提升，且无需额外推理开销。
在工业视觉检测领域，表面缺陷检测的准确性至关重要。基于深度学习的目标检测模型通常依赖交并比（IoU）来评估候选框与真实标注之间的空间对齐程度，从而决定正样本集合的质量。然而，一项来自arXiv的新研究揭示了IoU的一个固有缺陷：在IoU响应曲线上存在一个非敏感区域，使得不同几何重叠的样本产生几乎相同的IoU分数，导致正样本选择不够精确。
具体来说，IoU仅考虑预测框与真实框的交集与并集之比，但忽略了形状、面积等形态信息。当两个框的重叠面积相似但形状差异较大时，IoU会给出相近的分数，从而误导正样本分配。为了解决这一问题，来自研究者Pengfei Liu等人提出了“形态感知样本分配”（Morphology-Aware Sample Assignment）方法。他们引入了一组形态相似度度量，涵盖面积、形状和长宽比三个维度，用于细化正样本分配过程。通过计算每个候选框与真实框的面积比、形状相似度（如Hu矩）和长宽比差异，然后对这些多维相似度进行均值聚合，得到一个辅助匹配分数。这个分数与IoU结合，共同决定正样本的选取。
从理论上讲，融合形态相似度能够重塑匹配函数的响应分布。传统IoU的响应曲线在非敏感区域平坦，而引入形态相似度后，响应分布产生有效的方向梯度，形成多边形等响应轮廓。这些轮廓紧密围绕每个真实实例，将高响应区域限制在一个狭窄的范围内，显著增强了正样本选择的精度。作者在YOLOv9框架上进行了实验，在NEUDET和GC10-DET两个工业表面缺陷数据集上评估了该方法。实验结果表明，该方法在平均精度（AP）等指标上一致优于基线，且完全即插即用，推理阶段无需额外计算开销。这意味着该方法可以轻松集成到现有检测系统中，无需修改模型或增加推理时间，非常适合部署于工业视觉检测场景。
总之，这项研究通过引入形态相似度，有效克服了IoU的不敏感性，提升了正样本分配质量，为表面缺陷检测提供了一种高效且实用的解决方案。未来，该方法有望扩展到其他需要精细匹配的视觉任务中。