GIoU论文笔记

结论：提出了新的评价指标GIoU——广义交并比，以及以GIoU为基础的GIoU Loss
Motivation： IoU对于没有交集的两个box始终=0，这样对应紧挨着临近的和距离无限远的两种情况就没有区别，同时计算Loss时没有交集就没有梯度回传，于是希望能同时考虑到没有交集时的情况
公式：
GIoU=IoU-(最小外接矩形面积-并集面积)/最小外接矩形面积(1)
GIoU Loss = 1 - GIoU(2)
IoU Loss = 1 - IoU(3)
本质：IoU Loss补充一个元素弥补IoU=0时的距离无法计算问题
缺点：
（1）IoU=0时，优化方向不是特别明确，导致收敛较慢
（2）当两个box呈包含关系时，GIoU退化为IoU，此时具备IoU loss的缺点，即呈包含关系后小距离移动并不会降低loss，导致收敛困难

---

可以看到

GIoU Loss其实就是IoU loss加上了(1)的后面那部分，用来判断两框外面的面积占总面积的多少，其实也就是把两框外面的面积加入损失

当IoU=0时，GIoU loss变成了高亮部分的样子，2-U/A，而此时要最小化Loss即为最大化U/A，U是两个框的并集，
而假设外接框已经最小了(指两个box的外边界已经确定了)，同时GT的面积也是一个定值，那么要最大化U即最大化A^p，在外边界固定的情况下，只能督促predict box与gt存在交集，于是就使得结果向好的方向变化
(有一个问题，凭什么外边界是固定的呢？也可能外边界也跟这儿扩展啊)

下面是我的看法：

如图所示，IoU=0，而$L_{GIoU}=2-U/A^c$，$U=A^p+A^g$，$A^c=A^p+A^g+A^l$，这里$A^l$代表外接框减去两个box后剩下的面积=>$argmin(L_{GIoU})=argmin(2-\frac{A^p+A^g}{A^p+A^g+A^l})=argmax(\frac{A^p+A^g}{A^p+A^g+A^l})$，可见，当IoU=0的时候，优化的方向是是剩余的面积更小，A^p增大，这有几种方向，一是predict box向gt靠拢，这样外接框就变小了，二是predict的左上角不动，右下角向gt方向扩展，三是左上角不动，右下角向下或者向右扩展，四是边移动边扩展，但最终收敛时应该还是两框重合，不过“三”的存在导致收敛可能会慢一点。
所以这是GIoU的一个缺点：没有明确优化的具体方向。有人建议前期用MSE快速收敛，等框稳定之后再用GIoU

这里其实有一个问题，GIoU相对于IoU的优点是当IoU=0的时候，能为anchor提供优化方向，可是这种anchor真的多吗？对于熟悉的FCOS来说，如果anchor中心点不在gt内部就不会被选为positive sample，既然中心点在其内部那IoU必然!=0，对于anchor-based，是按IoU排序来选择正样本的，IoU都=0了还会被选为正样本吗？
所以这个GIoU起作用的主要是在inference阶段？