目标检测中的4种IoU Loss

最新推荐文章于 2023-08-05 15:54:42 发布
最新推荐文章于 2023-08-05 15:54:42 发布
阅读量6.2k 收藏 43
点赞数 5
分类专栏： 目标检测模块
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/W1995S/article/details/115056527
版权

IoU（Intersection of Union)

目标检测任务的损失函数一般由**Classificition Loss（分类损失函数）和Bounding Box Regeression Loss**（回归损失函数）两部分构成。

Bounding Box Regeression Loss Function

近些年的发展过程是：
Smooth L1 Loss-> IoU Loss（2016）-> GIoU Loss（2019）-> DIoU Loss（2020）->CIoU Loss（2020）

IoU是指预测检测框A和真实检测框B的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来作为输出框（predict box）和ground-truth的距离的评价指标和训练Loss。
在这里插入图片描述

import numpy as np
def Iou(box1, box2, wh=False):
    if wh == False:
    xmin1, ymin1, xmax1, ymax1 = box1
    xmin2, ymin2, xmax2, ymax2 = box2
    else:
    xmin1, ymin1 = int(box1[0]-box1[2]/2.0), int(box1[1]-box1[3]/2.0)
    xmax1, ymax1 = int(box1[0]+box1[2]/2.0), int(box1[1]+box1[3]/2.0)
    xmin2, ymin2 = int(box2[0]-box2[2]/2.0), int(box2[1]-box2[3]/2.0)
    xmax2, ymax2 = int(box2[0]+box2[2]/2.0), int(box2[1]+box2[3]/2.0)
    # 获取矩形框交集对应的左上角和右下角的坐标（intersection）
    xx1 = np.max([xmin1, xmin2])
    yy1 = np.max([ymin1, ymin2])
    xx2 = np.min([xmax1, xmax2])
    yy2 = np.min([ymax1, ymax2])    
    # 计算两个矩形框面积
    area1 = (xmax1-xmin1) * (ymax1-ymin1) 
    area2 = (xmax2-xmin2) * (ymax2-ymin2)
    inter_area = (np.max([0, xx2-xx1])) * (np.max([0, yy2-yy1]))　#计算交集面积
    iou = inter_area / (area1+area2-inter_area+1e-6) 　#计算交并比

    return iou

IoU的两个缺点

  1. 即状态1的情况，当预测框和目标框不相交时，IOU=0，无法反应两个框距离的大小（重合度），此时loss=0，损失函数不可导，没有梯度回传，无法进行学习训练，IOU_Loss无法优化两个框不相交的情况。
  2. 即状态2和状态3的情况，当两个预测框大小相同，两个IOU也相同，IOU_Loss无法区分两者相交情况的不同。更直观的说，下面三个框，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。
    在这里插入图片描述在这里插入图片描述

GIoU（Generalized Intersection over Union)

由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等）优化和IoU优化不是完全等价的，而且 Ln 范数对物体的scale也比较敏感，IoU无法直接优化没有重叠的部分。

《Generalized Intersection over Union》论文提出可以直接把IoU设为回归的loss。
在这里插入图片描述
上面公式的意思是：先计算两个框的最小闭包区域面积 Ac (通俗理解：同时包含了预测框和真实框的最小框的面积)，再计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。
在这里插入图片描述

def Giou(rec1,rec2):
    #分别是第一个矩形左右上下的坐标
    x1,x2,y1,y2 = rec1 
    x3,x4,y3,y4 = rec2
    iou = Iou(rec1,rec2)
    area_C = (max(x1,x2,x3,x4)-min(x1,x2,x3,x4))*(max(y1,y2,y3,y4)-min(y1,y2,y3,y4))
    area_1 = (x2-x1)*(y1-y2)
    area_2 = (x4-x3)*(y3-y4)
    sum_area = area_1 + area_2

    w1 = x2 - x1   #第一个矩形的宽
    w2 = x4 - x3   #第二个矩形的宽
    h1 = y1 - y2
    h2 = y3 - y4
    W = min(x1,x2,x3,x4)+w1+w2-max(x1,x2,x3,x4)    #交叉部分的宽
    H = min(y1,y2,y3,y4)+h1+h2-max(y1,y2,y3,y4)    #交叉部分的高
    Area = W*H    #交叉的面积
    add_area = sum_area - Area    #两矩形并集的面积

    end_area = (area_C - add_area)/area_C    #闭包区域中不属于两个框的区域占闭包区域的比重
    giou = iou - end_area
    return giou

优点

  • 与IoU相似，GIoU也是一种距离度量，作为损失函数的话，GIOU_Loss=1—GIOU，满足损失函数的基本要求
  • GIoU对scale不敏感
  • GIoU是IoU的下界，在两个框无限重合的情况下，IoU=GIoU=1IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。
  • 与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度。

缺点
状态1、2、3都是预测框在目标框内部且预测框大小一致的情况，这时预测框和目标框的差集都是相同的，因此这三种状态的GIOU值也都是相同的，这时GIOU退化成了IOU，无法区分相对位置关系。
在这里插入图片描述

DIoU（Distance-IoU）

DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率（面积）以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。当目标框包裹预测框的时候，直接度量2个框的距离，因此DIOU_Loss收敛的更快
在这里插入图片描述
其中，b , bgt 分别代表了预测框和真实框的中心点，且 ρ 代表的是计算两个中心点间的欧式距离。c 代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。
在这里插入图片描述

def Diou(bboxes1, bboxes2):
    rows = bboxes1.shape[0]
    cols = bboxes2.shape[0]
    dious = torch.zeros((rows, cols))
    if rows * cols == 0:#
        return dious
    exchange = False
    if bboxes1.shape[0] > bboxes2.shape[0]:
        bboxes1, bboxes2 = bboxes2, bboxes1
        dious = torch.zeros((cols, rows))
        exchange = True
    # #xmin,ymin,xmax,ymax->[:,0],[:,1],[:,2],[:,3]
    w1 = bboxes1[:, 2] - bboxes1[:, 0]
    h1 = bboxes1[:, 3] - bboxes1[:, 1] 
    w2 = bboxes2[:, 2] - bboxes2[:, 0]
    h2 = bboxes2[:, 3] - bboxes2[:, 1]

    area1 = w1 * h1
    area2 = w2 * h2

    center_x1 = (bboxes1[:, 2] + bboxes1[:, 0]) / 2 
    center_y1 = (bboxes1[:, 3] + bboxes1[:, 1]) / 2 
    center_x2 = (bboxes2[:, 2] + bboxes2[:, 0]) / 2
    center_y2 = (bboxes2[:, 3] + bboxes2[:, 1]) / 2

    inter_max_xy = torch.min(bboxes1[:, 2:],bboxes2[:, 2:]) 
    inter_min_xy = torch.max(bboxes1[:, :2],bboxes2[:, :2]) 
    out_max_xy = torch.max(bboxes1[:, 2:],bboxes2[:, 2:]) 
    out_min_xy = torch.min(bboxes1[:, :2],bboxes2[:, :2])

    inter = torch.clamp((inter_max_xy - inter_min_xy), min=0)
    inter_area = inter[:, 0] * inter[:, 1]
    inter_diag = (center_x2 - center_x1)**2 + (center_y2 - center_y1)**2
    outer = torch.clamp((out_max_xy - out_min_xy), min=0)
    outer_diag = (outer[:, 0] ** 2) + (outer[:, 1] ** 2)
    union = area1+area2-inter_area
    dious = inter_area / union - (inter_diag) / outer_diag
    dious = torch.clamp(dious,min=-1.0,max = 1.0)
    if exchange:
        dious = dious.T
    return dious

优点

  • 与GIoU loss类似，DIoU loss（ =1-DIOU ）在与目标框不重叠时，仍然可以为边界框提供移动方向。
  • DIoU loss可以直接最小化两个目标框的距离，因此比GIoU loss收敛快得多。
  • 对于包含两个框在水平方向和垂直方向上这种情况，DIoU损失可以使回归非常快，而GIoU损失几乎退化为IoU损失
  • DIoU还可以替换普通的IoU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。

缺点
没有考虑到长宽比。下面三种请款预测框的中心点的位置都是一样的，因此按照DIOU_Loss的计算公式，三者的值都是相同的。
在这里插入图片描述

CIoU

CIoU（Complete-IoU）在DIoU的基础上增加了一个长宽比的影响因子。
在这里插入图片描述
α 为权重，v 用来衡量长宽比的相似性，定义为
在这里插入图片描述
这样CIOU_Loss就将目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比全都考虑进去了.

完整的 CIoU 损失函数定义：
在这里插入图片描述最后，CIoU loss的梯度类似于DIoU loss，但还要考虑 v 的梯度。在长宽在 [0, 1] 的情况下， [公式]
的值通常很小，会导致梯度爆炸，因此在 [公式]
实现时将替换成1。

def Ciou(bboxes1, bboxes2):
    rows = bboxes1.shape[0]
    cols = bboxes2.shape[0]
    cious = torch.zeros((rows, cols))
    if rows * cols == 0:
        return cious
    exchange = False
    if bboxes1.shape[0] > bboxes2.shape[0]:
        bboxes1, bboxes2 = bboxes2, bboxes1
        cious = torch.zeros((cols, rows))
        exchange = True

    w1 = bboxes1[:, 2] - bboxes1[:, 0]
    h1 = bboxes1[:, 3] - bboxes1[:, 1]
    w2 = bboxes2[:, 2] - bboxes2[:, 0]
    h2 = bboxes2[:, 3] - bboxes2[:, 1]

    area1 = w1 * h1
    area2 = w2 * h2

    center_x1 = (bboxes1[:, 2] + bboxes1[:, 0]) / 2
    center_y1 = (bboxes1[:, 3] + bboxes1[:, 1]) / 2
    center_x2 = (bboxes2[:, 2] + bboxes2[:, 0]) / 2
    center_y2 = (bboxes2[:, 3] + bboxes2[:, 1]) / 2

    inter_max_xy = torch.min(bboxes1[:, 2:],bboxes2[:, 2:])
    inter_min_xy = torch.max(bboxes1[:, :2],bboxes2[:, :2])
    out_max_xy = torch.max(bboxes1[:, 2:],bboxes2[:, 2:])
    out_min_xy = torch.min(bboxes1[:, :2],bboxes2[:, :2])

    inter = torch.clamp((inter_max_xy - inter_min_xy), min=0)
    inter_area = inter[:, 0] * inter[:, 1]
    inter_diag = (center_x2 - center_x1)**2 + (center_y2 - center_y1)**2
    outer = torch.clamp((out_max_xy - out_min_xy), min=0)
    outer_diag = (outer[:, 0] ** 2) + (outer[:, 1] ** 2)
    union = area1+area2-inter_area
    u = (inter_diag) / outer_diag
    iou = inter_area / union
    with torch.no_grad():
        arctan = torch.atan(w2 / h2) - torch.atan(w1 / h1)
        v = (4 / (math.pi ** 2)) * torch.pow((torch.atan(w2 / h2) - torch.atan(w1 / h1)), 2)
        S = 1 - iou
        alpha = v / (S + v)
        w_temp = 2 * w1
    ar = (8 / (math.pi ** 2)) * arctan * ((w1 - w_temp) * h1)
    cious = iou - (u + alpha * ar)
    cious = torch.clamp(cious,min=-1.0,max = 1.0)
    if exchange:
        cious = cious.T
    return cious

总结

IOU_Loss：主要考虑检测框和目标框重叠面积。

GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。

DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。

CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

Yolov4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些。

参考（感谢）
https://segmentfault.com/a/1190000039339845?utm_source=sf-related
https://zhuanlan.zhihu.com/p/94799295
https://zhuanlan.zhihu.com/p/143747206
https://zhuanlan.zhihu.com/p/104236411
https://www.jianshu.com/p/e3bf67cd4459

THE@JOKER
关注
  • 5
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
目标检测中的IOU变体
liuphahaha的专栏
04-17 942
一种常见的 IOU 变形是 Jaccard 系数（也称为 Jaccard 指数或交并比），它可以计算两个集合之间的相似度，也可以用来衡量检测框之间的重叠程度。另一种常见的 IOU 变形是 F1 得分，它可以用来衡量检测器的精确度和召回率之间的平衡。总之，IOU 变形是目标检测中常用的一种衡量检测框重叠程度的方法，它们可以帮助我们评估检测器的性能，并选择最优的检测器。这些变体都是与目标检测任务中常见的交并比（IoU）有关的，它们都是用于评估检测器的性能。修正平行二维交并比加权平均（fmIoU）
目标检测中的各种IoU Loss（IoU、GIoU、DIoU、CIoU）
weixin_42384432的博客
08-01 9925
IoU Loss 对于检测框B和groundtruth G，二者的IoU如下： 那么IoU Loss即为-log(1-IoU)。 显然IoU Loss具有非负性、尺度不变性、同一性、对称性、三角不等性等特点，所以可以用于bounding box的回归任务中。 但同时，IoU Loss也存在一个很致命的缺点： 当B与G的IoU为0时，Loss也为0，网络无法进行训练。因此IoU loss在回归任务中的表现并不好。 GIoU Loss 论文：https://arxiv.org/abs/1902.09630
《计算机视觉之目标检测》IOU详解及代码 计算机视觉.pdf
04-21
《计算机视觉之目标检测》IOU详解及代码 计算机视觉.pdf
【目标检测】IoU、GIoU、DIoU、CIoU Loss详解及代码实现
Roaddd的博客
03-14 4794
● 实际目标检测回归任务中的Loss Smooth L1 Loss： L1、L2、Smooth L1作为目标检测回归Loss的缺点： 1）坐标分别计算：x、y、w、h分别回归，当成4个不同的对象处理。bbox的4个部分应该是作为一个整体讨论，但是被独立看待了。 2）不同的预测bbox具有相同的损失：把x、y、w、h独立看待，4个部分产生不同的loss会回归出不同的预测框，但是如果4个部分的总体loss相同，预测框该如何选取。       &nb
目标检测改进点.pdf
06-05
针对CVPR2019及之前目标检测相关论文所进行的目标检测算法有关改进点的汇总，包括IOU改进、NMS改进、anchor-free等
目标检测中的IOU损失集合
zcc的博客
05-28 3018
1. IOU 即为交并比，图像如下。 可以想当然的把IOU当作训练的Loss， 比如Loss = 1 - IOU， 当两个物体越接近为同一个物体时候，则IOU越接近1，则loss越小。这样模型就可以通过不断降低loss来使得模型得出更好的预测结果。 缺点： 1）当两个框不相交的时候，IOU=0， Loss = 1 - IOU =1， 将梯度传回，当两个框相距较远时候，调整预测框的位置，其IOU也等于0，这样会导致预测框经过多次调整后Loss还是等于1，这样网络需要很多次迭代（随机尝试），才有..
目标检测 IOU
weixin_44656422的博客
02-21 1137
1、什么是IoU(Intersection over Union) IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要： ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围） 我们的算法得出的结果范围。 也就是说，这个标准用于测量真实和预测之间的相...
目标检测常用IOU总结
03-25
目前缺少SIoU以及WIoU的介绍,后续应该会补上
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、...
python:目标检测模型预测准确度计算方式(基于IoU)
09-18
今天小编就为大家分享一篇python:目标检测模型预测准确度计算方式(基于IoU)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
目标检测模型-YOLOv4-Pytorch版本
最新发布
05-13
YOLOv4是由Alexey Bochkovskiy等人开发的目标检测模型，它是YOLO（You Only Look Once）系列中的第四个主要版本。YOLO系列因其速度快和性能好而受到广泛欢迎，适用于需要实时目标检测的场景。 以下是YOLOv4的一些...
IoU loss 系列
wutongxdf的博客
10-24 276
IoU Loss 系列演化
IOU LOSS
qq_43586192的博客
03-29 155
import numpy as np def Iou(box1, box2, wh=False): if wh == False: xmin1, ymin1, xmax1, ymax1 = box1 xmin2, ymin2, xmax2, ymax2 = box2 else: xmin1, ymin1 = int(box1[0]-box1[2]/2.0), int(box1[1]-box1[3]/2.0) xmax1, ymax1 = int(box1[0]
IOU Loss
weixin_51015047的博客
08-16 124
目标检测任务的损失函数一般由Classificition Loss（分类损失函数）和Bounding Box Regeression Loss（回归损失函数）两部分构成。 IoU是指预测检测框A和真实检测框B的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来作为输出框（predict box）和ground-truth的距离的评价指标和训练Loss。 参考文章目标检测中的4种IoU Loss ...
【IoU loss】IoU损失函数理解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 5389
文章目录1 引言2 问题分析3 IoU Loss4 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss 之前写到了Smooth L1 Loss，本文介绍I
IOU loss详解
baidu_38634017的博客
07-01 4368
转载自：https://www.jianshu.com/p/e3bf67cd4459 IoU损失 DenseBox   DenseBox是全卷积网络，网络的输出大小为(；输出feature map上的点确定一个检测框的样本，包含样本的信息度和该点到bounding box四边的距离。 Unitbox   相对于DenseBox，Unitbox使用IoU损失替代传统的定位L2损失。 IoU 损失示意图 IoU损失的前向传播 IoU损失前向传播伪代码 本质上是对IoU的交叉熵损失，即将I
目标检测之 IoU
tugouxp的专栏
09-02 558
IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。 但纵观 IoU 计算的介绍知识，都是直接给出代码，给出计算方法，没有人彻底地分析过其中的逻辑，故本人书写该篇博客来介绍下其中的逻辑。 1. IoU的简介及原理解析 IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。 开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们.
目标检测中的IOU
嵌入式与人工智能
08-05 1340
IOU
详细介绍目标检测中的 alpha IOU LOSS
09-17
### 回答1： Alpha IOU Loss是一种目标检测中的损失函数，它将模型输出的边界框与真实边界框之间的交并比作为误差指标，以改善模型的预测精度。Alpha IOU Loss可以有效缓解训练模型时的偏移问题，使模型能够准确地检测出目标中的物体。 ### 回答2： alpha IOU LOSS 是目标检测中的一种损失函数，用于衡量预测框与真实框之间的重叠程度。在该损失函数中，alpha 是一个超参数，用于控制正负样本的权重。 目标检测旨在从图像中检测出目标的位置和类别。为了评估检测的准确性，需要计算预测框和真实框之间的重叠度。通常，一种常用的衡量指标是 IOU（Intersection over Union），即重叠区域面积与并集区域面积之比。 在使用 alpha IOU LOSS 进行目标检测时，首先对于每个真实框，在预测框集合中找到与其 IOU 最大的预测框，并将其作为匹配。然后，计算匹配的预测框与真实框的 IOU 值。 在计算损失时，大致可以分为两种情况。如果 IOU 值大于一定阈值，表示匹配良好，可以认为预测正确，则损失较小或者为零。如果 IOU 值小于一定阈值，则匹配不良好，可能需要进一步调整预测框的位置或大小，损失较大。 在 alpha IOU LOSS 中，引入了一个参数 alpha，用于动态调整正负样本的权重。对于 IOU 值大于阈值的预测框，将其作为正样本，损失较小；而对于 IOU 值小于阈值的预测框，将其作为负样本，损失较大。通过调整 alpha 的值，可以平衡正负样本之间的重要性。 总结来说，alpha IOU LOSS 是一种目标检测中的损失函数，通过计算预测框与真实框之间的重叠度来衡量检测的准确性。通过引入 alpha 参数，可以调整正负样本的权重，进一步优化目标检测的效果。 ### 回答3： 目标检测中的alpha IOU LOSS是一种损失函数，用于训练目标检测模型。目标检测是计算机视觉中的一个重要任务，目的是在图像或视频中准确地定位和识别出多个目标。 传统的目标检测模型通常使用交叉熵损失函数来训练，但这种损失函数在处理目标位置回归时存在一定的缺陷，如不平衡问题和尺度不变性问题。为了解决这些问题，alpha IOU LOSS被提出。 alpha IOU LOSS是基于IOU（Intersection over Union）的一种改进损失函数。IOU是目标检测中常用的指标，用于评估模型预测框和真实框之间的重叠程度。alpha是一个可调整的参数，用于平衡定位精度和分类精度之间的权重。 在alpha IOU LOSS中，首先计算预测框和真实框之间的IOU值，然后根据IOU值和alpha参数计算损失。当IOU值较高时，损失较低，鼓励模型预测框与真实框的重叠更多；而当IOU值较低时，损失较高，鼓励模型更好地预测目标位置。 相比传统的交叉熵损失函数，alpha IOU LOSS在目标位置回归中更具优势。它能够有效解决定位精度和分类精度不平衡的问题，并且通过引入IOU作为指标，使得模型更加关注目标的位置信息。这种损失函数的引入可以提升模型的准确性和稳定性，在目标检测任务中有较好的效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值