IOU, GIOU, DIOU, CIOU

最新推荐文章于 2024-04-30 07:43:30 发布
最新推荐文章于 2024-04-30 07:43:30 发布
阅读量853 收藏 9
点赞数 2
分类专栏： 深度学习 目标检测 文章标签： 深度学习 神经网络 机器学习
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/qq_33499229/article/details/109580389
版权

IOU

IOU是用来衡量两个边界框的重叠程度的。普通的IOU也分为两种，一种是交并比，一种是最小面积与并集的比

计算公式如下：

并集面积 = 面积A + 面积B - 交集面积

交集面积 = 框A与框B较大的X1,Y1和框A与框B较小的X2,Y2组成的框的面积

第二种IOU在NMS种可以去除大框套小框的中的小框

但这两种IOU都存在弊端就是当预测框与真实框没有交集的时候，无论远近他的IOU都是0

无法很好的衡量我们预测框的质量，如下图所示：

在有交集的请情况下也不一定能很好的衡量预测框预测的质量，于是就有了GIOU

 

GIOU

GIOU相比较于IOU,用两个框的最小包围矩形面积替换掉了并集面积，

同时分子部分变成了差集（差集 = 最小包围矩形 - 并集）这样当在没有重叠的情况下也能衡量两个预测结果的好坏了

损失上就是普通的IOU Loss与加上差集比最小外接矩形，完全重合时第二项为0

但是当两个预测框与gt都有重叠，但是俩个预测框与gt的中心点距离不同，GIOU还是一样。

为了解决这个问题，就加入了中心点距离，也就是DIOU

 

DIOU

定义对角线距离Distance_C为两个框的最小外接矩形的对角线长度

定义两个中心点的欧式距离Distance_2，则DIOU就是IOU - Distance_2 / Distance_C

但是相同的DIOU的预测框，他们的形状可能是不一样的，总有一个形况是最符合gt的。如下图所示：

于是就有了CIOU

 

CIOU

CIOU考虑到了形状的因素于是就在原始DIOU上加上了对角线角度的差距,CIOU Loss如下图所示：

v表示预测框对角线角度与gt对角线角度的差距,当IOU比较大时形状站的比例就比较大，当IOU比较小时，形状因素站的比较小

 

 

 

 

 

 

NOWAY_EXPLORER
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
然而，传统的IoU在处理非对称形状或不同大小的目标时存在局限性，因此出现了各种优化版的IoU，如GIoU（Generalized IoU）、DIoU（Distance IoU）、CIoU（Complete IoU）和SIoU（Symmetric IoU）等。 CIoU在DIoU的...
IoU、GIoU、DIoU、CIoU计算方法
Ray_awakepure的博客
11-28 4562
IoU IoU就是我们所说的交并比，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，还可以用来评价输出框（predict box）和ground-truth的距离。 可以说它可以反映预测检测框与真实检测框的检测效果。 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性) IoU的一种实现
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3316
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression #--------------------------------------
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
最新发布
Vlone_pp的博客
04-30 863
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
目标检测中的IoU、GIoU、DIoU与CIoU
热门推荐
个人学习笔记
12-14 3万+
什么是IOU？ 简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中，有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为： acc=PtrueNN=全部样本的数量，Ptrue=预测正确的样本数量 acc = \frac{P_{true}}{N} {\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量，P_{true}=预测正确的样本数量 acc=NPtrue​​N=全部样本的数量，Ptrue​=预测正确的样本数量 这个
基于Iou损失函数的优缺点（GIoU、DIoU、CIoU、EIoU）
weixin_44902604的博客
05-06 3882
各种基于IoU的损失函数在不同程度上解决了IoU损失的梯度问题，并在位置、形状等方面引入了额外的约束。在实际应用中，可以根据具体任务和数据集的特点选择合适的损失函数。可以尝试将这些损失函数与其他损失函数（如交叉熵损失、Smooth L1损失等）结合使用，以进一步提高模型的性能。
复习笔记——动手开撸“完美”IOU计算C++版本全家桶
啥都会一点的小程的博客
03-16 2196
复习笔记——动手撸IOU全家桶（C++版本） 最近需要调整下，故开此系列复习下基础，有些大厂面试会让你手撕IOU，这里我自己整理思路，编了一套C++版本的IOU礼包，该篇简单粗暴，不和你讲道理（您只需要关注我，免费获取）目的是自己造下轮子同时复习下基础知识，校招的同学们看完了可以直接反手打一个暴击，告诉面试的我不仅会IOU，我还给你写GIOU,CIOU,DIOU ！ 动机：分享和自己复习，主要是算法分享系列写起来太累，有时候细节知识点我真的生疏或者理解没到位，需要再反复琢磨下！晚些更。 文章目录复习笔记—
c++ 工具函数
crazy_stone0001的博客
07-25 193
// 判断是否文件存在 BOOL CIOUti::IsFileExist(LPCTSTR lpszFile) {  if( lpszFile == NULL || _tcslen(lpszFile) == 0 )   return FALSE;    CFileStatus fs;  if (CFile::GetStatus(lpszFile, fs))   return TRUE
当预测框出现大框套小框的情况
m0_56046747的博客
02-07 415
两个框的交集 = 小框， 并集 = 大框，说明出现了大框套小框
求两个矩阵的交集和并集面积（点为对角点）
weixin_52694415的博客
01-17 942
求两个矩阵的并集和交集
python实现的Iou与Giou代码
09-18
在计算机视觉领域，IoU（Intersection over Union）和GIoU（Generalized Intersection over Union）是衡量两个边界框重叠程度的重要指标，常用于目标检测算法的评估。这两个度量可以帮助我们理解模型对目标定位的...
L1 LOSS -- EIoU loss 一览 .pdf
02-03
L1 LOSS -- EIoU loss
IOU计算方法，python
01-31
深度学习矩形框IOu计算方法实现
c++ 目标检测计算交并比
郭建洋的博客
03-03 102
iou相当于一个函数，其输入为a和b。
一种实用性较强的求IOU的算法（任意多边形之间的IOU）
Sky的专栏
12-26 4181
PS：要转载请注明出处，本人版权所有。 PS: 这个只是基于《我自己》的理解， 如果和你的原则及想法相冲突，请谅解，勿喷。 环境说明   无 前言   提到IOU，如果接触过目标检测，应该是很熟悉的，这个东西简直就是标配了。但是我之前见到的求IOU都是求两个矩形的IOU，由于矩形的特殊性，其IOU可以很简单的求。   突然有一天，我要求一个矩形和一个多边形的IOU，这就让我突然有点懵，参考原来求两个矩形的IOU方式，完全无解。经过了询问大佬以及网上冲浪后，在某不起眼的地方发现了一个思路，一个匿名网友貌.
机器视觉笔记2——交并比IoU及代码实现
GavinChan
02-22 1725
在目标检测领域，交并比（IoU,全称Intersection of Union）是目标检测和和分割任务中一个重要的衡量标准，根据名字很容易知道IoU即为两个边界框（或者是两个分割掩模）的交集区域的面积和两个边界框（或者是两个分割掩模）的并集区域的面积之比。
图像处理之IOU, NMS原理及C++实现
程序员深度学习
10-29 1586
1. IOU 交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。 计算公式： C++代码： struct bbox { int m_left; int m_top; int m_width; int m_height; bbox() {} bbox(int left, int to
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 526
发展过程： IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集。 IOU Loss： 或者 IOU Loss = 1 －IOU(比较常用) IOU 的优点： 1.能够很好的反应重合的程度 2.具有尺度不变性 缺点： 当不相交时候loss为0 （IOU Loss = 1 - IOU） GIOU 如图绿色边界框为真实的边界框，红色边界框为网络预测的边界框，蓝色边界框为用最小的矩形把两个边界框给框住。 = 蓝色目标边界框面积。...
c++ iou学习笔记
jacke121的专栏
03-01 2488
以下内容转自： 图像处理之IOU, NMS原理及C++实现 - 灰信网（软件开发博客聚合） 1. IOU 交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。 计算公式： C++代码： struct bbox { int m_left; int m_top; in..
把下面这段话改写一下：IOU_Loss：主要考虑检测框和目标框重合程度。 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。 综上所述，IOU_Loss主要考虑了检测框和GT框之间的重叠面积；GIOU_Loss在IOU的基础上，解决边界框不重合时出现的问题；DIOU_Loss在IOU和GIOU的基础上，同时考虑了边界框中心点距离信息；CIOU_Loss在DIOU的基础上，又考虑了边界框宽高比的尺度信息。
04-19
IOU_Loss是为了评估检测框与目标框之间的重叠程度；GIOU_Loss在基础上，能够解决边框不重叠时的问题；DIOU_Loss基于IOU和GIOU, 同时考虑了边界框中心点距离；CIOU_Loss 在DIOU基础上，尺度信息进一步添加到边界框的纠错中去。
评论
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