主要内容
文章提出两个Loss :Distance-IoU(DIoU) Loss和Complete IoU(CIoU) Loss用于目标检测的Bbox回归,并与IoU Loss和GIoU Loss做了对比,比这两个收敛得更快、更准。此外,DIoU很容易用在NMS中。
Loss
先简单回顾一下IoU Loss和GIoU Loss,再说明文章提出的DIoU Loss和CIoU Loss
IoU
先说说IoU是什么,IoU是候选框和真实框的交并比,即产生的候选框(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。
IoU Loss
IoU Loss 为 1 - IoU
GIoU Loss
由于IoU Loss在候选框和真实框没有重叠的时候不提供任何移动梯度(LIoU始终为1),于是GIoU Loss引入了一个惩罚项,其中C表示能覆盖候选框和真实框的最小box.由于惩罚项的引入,在不重叠的情况下,预测框会向目标框移动。