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850 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
目标检测中的各种IoU Loss（IoU、GIoU、DIoU、CIoU）
weixin_42384432的博客
08-01 9956
IoU Loss 对于检测框B和groundtruth G，二者的IoU如下： 那么IoU Loss即为-log(1-IoU)。 显然IoU Loss具有非负性、尺度不变性、同一性、对称性、三角不等性等特点，所以可以用于bounding box的回归任务中。 但同时，IoU Loss也存在一个很致命的缺点： 当B与G的IoU为0时，Loss也为0，网络无法进行训练。因此IoU loss在回归任务中的表现并不好。 GIoU Loss 论文：https://arxiv.org/abs/1902.09630
python实现的Iou与Giou代码
09-18
今天小编就为大家分享一篇python实现的Iou与Giou代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
IoU、GIoU、DIoU、CIoU计算方法
Ray_awakepure的博客
11-28 4555
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
目标检测中的IoU、GIoU、DIoU与CIoU
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
【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
04-30 827
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。
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3281
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 #--------------------------------------
IoU、GIoU、DIoU、CIoU
f9547064141的博客
06-03 649
IoU 交并比。最常见了 GIoU Ac是上图中C的面积，上式右边的含义就是C中不包含两个框的比重。 DIoU CIoU 在#DIoU 链接: 转自.
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 3万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
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...
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
目标检测IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
datayx的文章
01-17 1799
向AI转型的程序员都关注了这个号????????????一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。...
【深度学习小知识】目标检测中的IOU、GIOU、DIOU、CIOU、EIOU等理论解析
Leomn_J的博客
10-11 1万+
IOU、GIOU、DIOU、CIOU解析IOUIOU原理IOU LossIOU存在问题GIOUGIOU原理DIOUCIOU 首先明确IOU系列的提出原因，即衡量预测框与真实框的关系。 IOU IOU原理 图中，红色框表示为预测框，绿色表示为真实框（标注框）。IOU就是计算真实框与红色框的交并比，具体流程如下： 计算真实框与预测框的交集 计算真实框与预测框的并集 计算交并比 IOU Loss 明白IOU原理后，进一步看一下IOU loss：IOU loss 将四个点构成的bbox,作为
目标检测中IOU GIOU DIOU CIOU的理解
weixin_43868576的博客
08-24 4757
IOU论文： GIOU论文： DIOU论文：链接: link. CIOU论文：
IoU，GIoU，DIoU和CIoU三种目标检测loss
donkey_1993的博客
01-16 2万+
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AAAIDistance-IoU Loss: Faster and Better Learning for Bound...
【笔记】CIOU公式
nyist_yangguang的博客
11-02 1036
eg1: c = torch.tensor([[1.0000, 2.0000], [0.0000, 0.0000], [0.0000, 0.0000]]) print(torch.sum(torch.pow((c), 2), axis=0)) tensor([1., 4.]) c = torch.tensor([[1.0000, 2.0000],
CIoU的成长之路
Hobart
08-05 7955
原始的IOU损失函数只要IOU不相交。损失函数不变 第一次升级,GIOU:不相交时，两个框的距离变化，loss不变，改进为GIoU loss. 第二次升级,DIOU:完全包含时，两个框的距离变化，loss不变，改进为DIoU loss. 第三次升级,CIOU:中心点重合但宽高比不同时， loss不变，改进为CIoU loss. CIoU的惩罚项是在DIoU的惩罚项基础上加了一个影响因子a,v，这个因子把预测框长宽比拟合目标框的长宽比考虑进去。其中a是用于做...
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...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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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