تعد عملية إعادة توزيع الصناديق (Bounding-Box Regression) جزءًا أساسيًا ومفصليًا في استراتيجيات الكشف عن الكائنات، حيث تلعب دوراً حيوياً في تحديد مواقع الكائنات بدقة. تسعى الأساليب التقليدية المعتمدة على دالة تداخل الصناديق (Intersection-over-Union) إلى تحسين هذه العملية من خلال دمج عقوبات هندسية مثل مسافة المركز والفرق في نسبة الأبعاد. لكن المشكلة تكمن في أن هذه العقوبات تبقى ثابتة خلال عملية التدريب، ولا تعكس الديناميات التكيفية التي تمر بها الصناديق المتوقعة، حيث تبدأ بوجود أخطاء كبيرة في المركز والشكل، ثم تركز لاحقاً على تحسين التداخل مع الحقيقة الأساسية.

للتغلب على هذه القيود، تم تقديم تقنية MoEIoU، وهي دالة خسارة تعتمد على مزيج من الخبراء (Mixture of Experts) تهدف إلى نمذجة التداخل، والمحاذاة المركزية، والفارق في نسبة الأبعاد بشكل متزامن. تقوم MoEIoU بتجميع هذه المكونات من خلال دالة الجمع اللوغاريتمي، مما يسلط الضوء على أكبر أخطاء تحديد الموقع مع الحفاظ على مساهمات أنعم من المصطلحات الأخرى.

علاوة على ذلك، تم تطبيق جدول وزن قائم على المناهج الدراسية لتحسين تصحيح موضع وشكل الصناديق في مراحل التدريب المبكرة، فيما تركز الجهود في المراحل المتقدمة على تحسين التداخل. لقد تم تقييم تقنية MoEIoU المقترحة على مجموعة بيانات PASCAL VOC، وHRIPCB، وMS COCO باستخدام عدة معمارية YOLO، حيث أظهرت نتائج متميزة في تجاوز الخسائر التقليدية والحديثة، متفوقةً في سرعة التقارب ودقة تحديد المواقع.

يظهر البحث الجديد أن هذا التجميع التكيفي يحسن من الخسائر المعتمدة على تداخل الصناديق، مما يحقق مكاسب ثابتة ويقدم توجيهًا أكثر فعالية في عملية تحسين إعادة توزيع الصناديق ضمن أطر الكشف عن الكائنات. هذه الابتكارات تمثل خطوة جديدة نحو جعل خوارزميات اكتشاف الكائنات أكثر دقة وفاعلية.