【目标检测】26、IoU Loss: UnitBox: An Advanced Object Detection Network

论文：UnitBox: An Advanced Object Detection Network

出处：ACM MM 2016

一、背景

在目标检测任务中，回归任务很多都使用 $L_n$ Loss，如 L1、Smooth L1、L2 等，它们通常都是计算角点的距离来衡量 Loss 的大小，指导模型的训练。

L2 loss 的局限性：

• 对于不同质量的 anchor，可能得到相同的 L2 距离结果。
• L2 loss 对框的四个边分别优化，忽略了一个目标的四条边界之间的关系，可能导致一个框的某两条边非常准确，但另外的边误差很大。
• 对尺度非常敏感，大的 gt 框和其对应的 anchor 框可能距离较大，但相比框本身的大小来说这个距离较小，但模型会更注重大框的优化来拉低 Loss，忽略了一些小目标。
  

二、方法

本文提出了 IoU loss
$$L_{IoU}=-ln(IoU)$$

通常为了简便起见，也写作：
$$L_{IoU}=1-IoU$$

IoU Loss 的优点：

• 收敛速度比 L2 loss 快也更稳定，如图 4 所示
• 对尺度的变化更加鲁棒，如图 5 所示，将图像 resize 成多个不同的尺度，IoU loss 表现的更稳定，而 L2 loss 不太稳定