【论文阅读】Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

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（L_IoU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。