IOU、GIOU、DIOU、CIOU对比

1.IOU(Intersection over Union)

IOU就是我所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正负样本，还可以用来评价输出框（predict box）和ground-truthd的距离。

优点：

1.他可以反映预测检测框和真实检测框的检测效果

2.尺度不变性，也就是对尺度不敏感，在regression任务中，判断predict box和gt的距离最直接的指标就是IOU(满足)

x1,y1,x2,y2 = box1 #box1的左上角坐标、右下角坐标
x3,y3,x4,y4 = box2 #box1的左上角坐标、右下角坐标

#计算交集的坐标
x_inter1 = max(x1,x3) #union的左上角x
y_inter1 = max(y1,y3) #union的左上角y
x_inter2 = min(x2,x4) #union的右下角x
y_inter2 = min(y2,y4) #union的右下角y

# 计算交集部分面积，因为图像是像素点，所以计算图像的长度需要加一
# 比如有两个像素点(0,0)、(1,0)，那么图像的长度是1-0+1=2，而不是1-0=1
interArea = max(0,x_inter2-x_inter1+1)*max(0,y_inter2-y_inter1+1)

# 分别计算两个box的面积
area_box1 = (x2-x1+1)*(y2-y1+1)
area_box2 = (x4-x3+1)*(y4-y3+1)

#计算IOU，交集比并集，并集面积=两个矩形框面积和-交集面积
iou = interArea/(area_box1+area_box2-interArea)

缺点：

1.如果两个框没有相交，根据定义，IOU=0，不能反映两者的距离大小（重合度），并且因为loss=0,没有梯度回传，无法进行学习训练

2.IOU无法精确的反映两者的重合度大小。如下图所示，三种情况的IOU都相同，但他们的重合度是不一样的，左边的图回归的效果最好，右边最差。

2.GIOU（Generalized Intersection over Union）

IOU是比值的概念，对目标物体的scale是不敏感的，GIOU从更广义的层面计算IOU，并解决‘连个图像没有相交时，无法比较两个图像的距离远近’的问题

其中C代表两个图像的最小包庇面积，也可以理解为两个图像的最小外接矩形面积。

特性:

1.GIOU对scale不敏感

2.GIOU是IOU的下界，在两个框无限重合的情况下，IOU=GIOU=1

3.IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标

3.DIOU（Distance-IOU）

GIOU虽然解决了IOU的一些问题，但不能直接反映预测框与目标框之间的距离，DIOU即可解决这个问题，它将两个框之间的重叠度、距离、尺度都考虑了进来

其中分别代表两个框的中心点，代表两个中心点之间的欧式距离，c代表最小包庇矩形的对角线，如下图所示:

 DIOU相较于其他两种计算方法的优点是：

• DIoU可直接最小化两个框之间的距离，所以作为损失函数的时候Loss收敛的更快；
• 在两个框完全上下排列或左右排列时，没有空白区域，此时GIoU几乎退化为了IoU，但是DIoU仍然有效。

结论:DIOU在完善图像重叠度的计算功能的基础上，实现了对图形距离的考量，但仍无法对图形长宽比的相似性进行很多的表示

4.CIOU（Complete-IOU）

在DIOU的基础上，还同时考虑了两个矩形的长宽比，也就是形状的相似性，CIOU的计算公式为

其中，a是权重函数，而v是用来度量长宽比的相似性：

CIOU就是在DIOU的基础上，增加了图像相似性的影响因子，可以更好的反映两个框之间的差异性。