各种IOU损失函数（IOU、GIOU、CIOU、DIOU）

IOU loss 尺度不敏感

IOU

交并比

GIOU

为什么要GIOU ？

作者敏锐观察到，相同的L2 Loss 具有不一样的回归效果。
而 IOU具有一个尺度不敏感的特性，根据当前的iou数值，可以体现出预测值与gt值的直接效果。

为什么不直接用IOU loss ？
1、因为不重叠时，IOU 为 0 ，梯度为0，无法反向传播，无法回归。
2、检测框与gt框有iou时，无法精确反映重合度大小，检测效果也有较大的差异。

GIOU 定义：

简单意思：
GIOU = IOU - 最小包庇框中的空区域占比。
当重叠时，最小包庇框中的空区域占比为0，
GIOU = IOU

在两个框无重合的情况下，IOU=0，减数为1，GIOU即为-1

GIOU除了关注重叠区域不同，还关注了非重叠区域，能够更好的反应重合度

DIOU

第一：最小化两个边界框中心点的归一化距离能否加快收敛。第二：如何在回归时，能够更好的描述重叠信息，同时使得回归更准确，更快速？

与GIoU loss类似，DIoU loss在与目标框不重叠时，仍然可以为边界框提供移动方向
当边界框完全匹配时，L_iou=L_giou=L_diou=0， 当相距很远时，L_giou=L_diou -> 2

DIoU loss可以直接最小化两个目标框的距离，而GIOU loss优化的是两个目标框之间的面积，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

CIOU

DIOU解决了归一化两个中心点的距离从而加速收敛的问题，但是还未解决第二个问题，即如何在回归时能够更好的描述重叠信息

CIOU最终提升了很多，尤其是最后一项，CIOU然后使用DIOU-nms，效果相当棒。

总结

预测的bbox的三个重要的因素分别是，重叠面积、中心点距离和纵横比（长宽比）

IOU ：尺度不敏感，无法解决不重叠问题
GIOU ：考虑空白区域，解决不重叠问题。
DIOU ：归一化中心点距离能否加速收敛问题
CIOU ：解决回归重叠一致性问题。长宽比尽可能向真值。