IoU loss和GIoU loss
IoU丢失只在边界盒有重叠时起作用,对于不重叠的情况不提供任何移动梯度。于是提出了GIoU。
其中C是覆盖B和Bgt的最小bbox。由于引入惩罚项,在不重叠的情况下,预测框会向目标框移动。
- 但在这种情况下GIoU loss会退化成IoU loss。
- 由于严重依赖IoU项,GIoU经验上需要更多的迭代来收敛,特别是水平和垂直边界框。
- 目前最先进的检测算法通常不能很好地收敛GIoU丢失,导致检测不准确。
为了解决收敛慢和bbox回归不准确的问题,提出了DIoU loss和CIoU loss。
DIoU loss
c是覆盖这两个bbox的最小bbox的对角线长度。
DIoU损失的惩罚项直接最小化两个中心点之间的距离,而GIoU损失的目的是减小C−B∪Bgt的面积。
CIoU loss
边界框高宽比的一致性也是一个重要的几何因素。因此,在DIoU损失的基础上,通过对高宽比的一致性施加影响,提出了CIoU损失的概念。