GIoU Loss 损失函数浅析

最新推荐文章于 2024-07-04 22:07:34 发布

WalkingSoul

最新推荐文章于 2024-07-04 22:07:34 发布

阅读量1.6w

点赞数 8

分类专栏：深度学习文章标签：目标检测损失函数图像处理深度学习 GIoU

本文链接：https://blog.csdn.net/WalkingSoul/article/details/101450597

版权

GIoU Loss是针对目标检测中预测边框与实际边框对比的损失计算方法，弥补了基于距离损失函数的不足。当预测框与真实框不相交时，IoU为0，导致梯度消失。GIoU引入包围两框的最小体积C，通过计算C中排除A和B的体积占比，解决了这一问题。1-GIoU作为损失函数，能更好地反映框之间的相似性，且在[0,2]区间内，重叠越大，损失越小。" 88627007,7746742,深入理解计算机网络体系与功能,"['计算机网络', '网络协议', '局域网', '广域网', '拓扑结构']

摘要由CSDN通过智能技术生成

GIoU Loss

参考文献：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

GIoU是源自IoU的一种边框预测的损失计算方法，在目标检测等领域，需要对预测边框（pre BBox）与实际标注边框（ground truth BBox）进行对比，计算损失。在Yolo算法中，给定预测值与ground truth的 x\y\w\h 进行预测，采用回归损失。但实际上，回归损失并不是该问题的最好损失函数，因为其只关注 x\y\w\w 对应的“距离”，而本质上我们想要得到 IoU 值比较大的预测框，两者联系并不大。那么为什么不直接采用IoU值作为损失函数呢？因为一旦预测框与真实框不相交，那么IoU都为0，也就是说，在很大的范围内（不相交的区域），损失函数是没有梯度的，因此才有了GIoU Loss（Generalized Intersection over Union）。