IOU Loss的那些事
一、IOU
作用:是目标检测中常用的检测性能评价的指标,在anchor-based的方法中不仅可以用来确定正样本和负样本,还可以用来评价输出框(predict box)与ground-truth的距离。
1.可以说IOU可以反映预测检测框与真实检测框的检测效果。
2.IOU具有尺度不变性,因其为预测框与真实框重叠部分占真实框与预测框并集的比率,其不随着目标的尺度的改变而变化。
利用numpy实现IOU计算的代码
import numpy as np
def Iou(box1, box2, wh=False):
if wh == False: #box存储的为框的左上与右下角点
xmin1, ymin1, xmax1, ymax1 = box1
xmin2, ymin2, xmax2, ymax2 = box2
else:#box存储的为框的中心点及其宽高
xmin1, ymin1 = int(box1[0]-box1[2]/2.0), int(box1[1]-box1[3]/2.0)
xmax1, ymax1 = int(box1[0]+box1[2]/2.0), int(box1[1]+box1[3]/2.0)
xmin2, ymin2 = int(box2[0]-box2[2]/2.0), int(box2[1]-box2[3]/2.0)
xmax2, ymax2 = int(box2[0]+box2[2]/2.0), int(box2[1]+box2[3]/2.0)
# 获取矩形框交集对应的左上角和右下角的坐标(intersection)
xx1 = np.max([xmin1, xmin2])
yy1 = np.max([ymin1, ymin2])
xx2 = np.min([xmax1, xmax2])
yy2 = np.min([ymax1, ymax2])
# 计算两个矩形框面积
area1 = (xmax1-xmin1) * (ymax1-ymin1)
area2 = (xmax2-xmin2) * (ymax2-ymin2)
inter_area = (np.max([0, xx2-xx1])) * (np.max([0, yy2-yy1])) #计算交集面积
iou = inter_area / (area1+area2-inter_area+1e-6) #计算交并比
return iou
2.以IOU直接作为损失函数将出现的问题
1.若预测框与真实框没有相交的区域,则IOU=0,不能反映两者的重合度,且此时LOSS=0,无法通过反向梯度传播更新参数。
2.IoU无法精确的反映重合度的大小。
二、GIoU
在CVPR201