IoU、GIoU、CIoU、DIoU（附加代码）

最新推荐文章于 2023-12-04 20:04:16 发布

Fire丶Chicken

最新推荐文章于 2023-12-04 20:04:16 发布

阅读量509

点赞数

分类专栏：神经网络小知识文章标签： python 机器学习人工智能

本文链接：https://blog.csdn.net/qq_40374812/article/details/127433731

版权

神经网络小知识专栏收录该内容

2 篇文章 0 订阅

订阅专栏

IoU、GIoU、CIoU、DIoU（附加代码）

IoU
GIoU
DIoU
CIoU
IoU、GIoU、CIoU、DIoU的对比
代码

IoU

IoU的值表示预测框A和真实框B之间交并比的差值，反映预测检测框的检测效果。

在这里插入图片描述

公式：
$(\frac {A ∩ B}{A ∪ B} ) \quad$
IoU_loss其实就是 $IoU_{loss} = 1 - IoU$
两个矩形直接的交并比越大，那么对应的IoU_loss就会越小。
在这里插入图片描述

GIoU

IoU有两个个弊端，第一个就跟下面这张图一样，预测框和真实框之间的IoU都为0，但是上面的预测的预测框明显要比下面的好一点，那这样IoU_loss就没有了对比性。在这里插入图片描述
第二个弊端就是下面的图片，它们的IoU其实都是一样的，但是两个矩形框的重合的明显有差别，那IoU_loss此时也失去了对比性。

所以GIoU就来了。

GIoU就是在原来的IOU损失的基础上加上一个惩罚项。
蓝色是真实目标边界框A，红色是预测目标边界框B，最外面的黄色边框C是将红绿矩形用最小矩形框起来的边界。加入非重合区域的影响，当IOU值相同时，非重合区域占比越小，代表预测框与目标框的对比效果越好。当A和B完全重合时，GIOU = 1。当A和B交集为空时，且A和B离的无限远时，即GIOU = -1。

$\frac {|C - A ∪ B|}{C} ) \quad$

DIoU

好像是为了加快GIoU的收敛速度，DIOU在IOU损失的基础上加一个惩罚项，用来最小化两个检测框中心点之间的标准化距离。用对角线距离把检测框和预测框的中心点距离进行归一化，在IOU值相同的情况下，两个框的中心点归一化距离越小，代表预测框与目标框的对比效果越好。中心点的归一化距离代替了GIOU中的非重合区域占比指标。

在这里插入图片描述
$\frac {p^2(A,B)}{c^2} ) \quad$
$p (A, B)$ 是A框与B框中心点坐标的欧式距离，而 $c$ 则是包住它们的最小方框的对角线距离。

CIoU

CIoU的作者考虑到bbox回归三要素中的长宽比还没被考虑到计算中，因此，进一步在DIoU的基础上提出了CIoU。其惩罚项如下面公式：
$\frac {p^2(A,B)}{c^2} -αv)$
其中：
$\frac {4}{\pi ^2} (arctan \frac {w^{gt}}{h ^{gt}} - arctan \frac {w}{h})^2 \quad\quad α= \frac {v}{1-IoU+v}$

IoU、GIoU、CIoU、DIoU的对比

	IoU	GIoU	DIoU	CIoU
优点	IOU算法是目标检测中最常用的指标，具有尺度不变性，满足非负性；同一性；对称性；三角不等性等特点。	GIOU在基于IOU特性的基础上引入最小外接框解决检测框和真实框没有重叠时loss等于0问题。	DIOU在基于IOU特性的基础上考虑到GIOU的缺点，直接回归两个框中心点的欧式距离，加速收敛。	CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。
缺点	1.如果两个框不相交，不能反映两个框距离远近 2.无法精确的反映两个框的重合度大小	1.当检测框和真实框出现包含现象的时候GIOU退化成IOU 2.两个框相交时，在水平和垂直方向上收敛慢	回归过程中未考虑Bounding box的纵横比，精确度上尚有进一步提升的空间	1. 纵横比描述的是相对值，存在一定的模糊 2.未考虑难易样本的平衡问题

代码


import cv2
import numpy as np
import math

def CountIOU(RecA, RecB, IoU_loss="IoU"):
    """
    :param RecA: 预测框
    :param RecB: 真实框
    :param IoU_loss: 不同IoU计算方法： IoU GIoU DIoU CIoU
    :return: IoU值，要计算IoU loss还要用1减去IoU值
    """

    iou_result = 0
    x1 = max(RecA[0], RecB[0])
    y1 = max(RecA[1], RecB[1])
    x2 = min(RecA[2], RecB[2])
    y2 = min(RecA[3], RecB[3])
    # 计算交集部分面积
    interArea = max(0, x2 - x1) * max(0, y2 - y1 )
    # 计算预测值和真实值的面积
    RecA_Area = max(0, (RecA[2] - RecA[0]) * (RecA[3] - RecA[1]))
    RecB_Area = max(0, (RecB[2] - RecB[0]) * (RecB[3] - RecB[1]))
    ComAB_Area = RecA_Area + RecB_Area - interArea
    # 计算IOU
    iou = interArea / float(ComAB_Area)

    if IoU_loss == "IoU":
        iou_result = iou

    elif IoU_loss == "GIoU":
        # 计算真实框与预测框的最小外接矩形C的面积
        c_x1 = min(RecA[0], RecB[0])
        c_y1 = min(RecA[1], RecB[1])
        c_x2 = max(RecA[2], RecB[2])
        c_y2 = max(RecA[3], RecB[3])
        RecC_Area = max(0, (c_x2 - c_x1) * (c_y2 - c_y1))
        # 计算GIoU
        iou_result = iou - (RecC_Area - ComAB_Area) / float(RecC_Area)

    elif IoU_loss == "DIoU":
        # 计算真实框与预测框中心点的欧式距离
        xA = RecA[0] - RecA[2]
        yA = RecA[1] - RecA[3]
        xB = RecB[0] - RecB[2]
        yB = RecB[1] - RecB[3]
        dist = pow(xA - xB, 2) + pow(yA - yB, 2)
        # 计算真实框与预测框的最小外接矩形对角线的距离
        c_x1 = min(RecA[0], RecB[0])
        c_y1 = min(RecA[1], RecB[1])
        c_x2 = max(RecA[2], RecB[2])
        c_y2 = max(RecA[3], RecB[3])
        diag = pow(c_x1 - c_x2, 2) + pow(c_y1 - c_y2, 2)
        # 计算GIoU
        iou_result = iou - dist / float(diag)

    elif IoU_loss == "CIoU":
        # 计算真实框与预测框中心点的欧式距离
        xA = RecA[0] - RecA[2]
        yA = RecA[1] - RecA[3]
        xB = RecB[0] - RecB[2]
        yB = RecB[1] - RecB[3]
        dist = pow(xA - xB, 2) + pow(yA - yB, 2)
        # 计算真实框与预测框的最小外接矩形对角线的距离
        c_x1 = min(RecA[0], RecB[0])
        c_y1 = min(RecA[1], RecB[1])
        c_x2 = max(RecA[2], RecB[2])
        c_y2 = max(RecA[3], RecB[3])
        diag = pow(c_x1 - c_x2, 2) + pow(c_y1 - c_y2, 2)
        # 计算真实框和预测框的高宽
        w_p = max(0, RecA[2] - RecA[0])
        h_p = max(0, RecA[3] - RecA[1])
        w_gt = max(0, RecB[2] - RecB[0])
        h_gt = max(0, RecB[3] - RecB[1])
        # 计算参数 v 和 α
        v = ( 4 * pow( (math.atan(w_gt/float(h_gt)) - math.atan(w_p/float(h_p))), 2) ) / pow(math.pi, 2)
        a = v / (( 1 - iou) + v)
        #计算CIoU
        iou_result = iou - (pow(dist,2) / float(pow(diag,2))) - (a*v)

    else:
        raise NotImplementedError('IoU_loss method [%s] is not implemented' % IoU_loss)

    return iou_result


img = np.zeros((512, 512, 3), np.uint8)
img.fill(255)

RecA = [50, 50, 300, 300]
RecB = [90, 90, 320, 320]

cv2.rectangle(img, (RecA[0], RecA[1]), (RecA[2], RecA[3]), (0, 255, 0), 5)
cv2.rectangle(img, (RecB[0], RecB[1]), (RecB[2], RecB[3]), (255, 0, 0), 5)

IOU = CountIOU(RecA, RecB, IoU_loss="DIoU")
font = cv2.FONT_HERSHEY_SIMPLEX

cv2.putText(img, "IOU = %.2f" % IOU, (130, 190), font, 0.8, (0, 0, 0), 2)

cv2.imshow("image", img)
cv2.waitKey()
cv2.destroyAllWindows()

Fire丶Chicken

关注

0
点赞
踩
9

收藏

觉得还不错? 一键收藏
打赏
1
评论
IoU、GIoU、CIoU、DIoU（附加代码）

IoU有两个个弊端，第一个就跟下面这张图一样，预测框和真实框之间的IoU都为0，但是上面的预测的预测框明显要比下面的好一点，那这样IoU_loss就没有了对比性。第二个弊端就是下面的图片，它们的IoU其实都是一样的，但是两个矩形框的重合的明显有差别，那IoU_loss此时也失去了对比性。好像是为了加快GIoU的收敛速度，DIOU在IOU损失的基础上加一个惩罚项，用来最小化两个检测框中心点之间的标准化距离。IoU的值表示预测框A和真实框B之间交并比的差值，反映预测检测框的检测效果。所以GIoU就来了。
复制链接

扫一扫