目标检测系列：GIOU-Generalized Intersection over Union

Index

• 动机
• 方法
  • GIOU定义
  • GIOU算法
• 结果

论文：https://arxiv.org/abs/1902.09630
代码：https://github.com/generalized-iou

下班前看了下这篇论文，感觉并不难理解，有时间去试一下。

动机

这篇文章主要从损失函数出发，来改进目标检测的算法。
目前目标检测中主流的边界框优化采用的都是BBox的回归损失(MSE loss, L1-smooth loss等)，这些方式计算损失值得方式都是检测框得“代理属性”——距离，而忽略了检测框本身最显著的性质——IoU。如下图所示，在L1及L2范数取到相同的值时，实际上检测效果却是差异巨大的，直接表现就是预测和真实检测框的IoU值变化较大，这说明L1和L2范数不能很好的反映检测效果。