目标检测-回归损失函数

目录

1 IoU

1.1 论文

1.2 概念及公式

1.3 不足

2 GIoU

2.1 论文

2.2 概念及公式

2.3 不足

3 DIoU

3.1 论文

3.2 概念及公式

3.3 不足

4 CIoU

4.1 论文

4.2 概念及公式

4.3 不足

5 EIoU

5.1 论文

5.2 概念及公式

5.3 代码（包含IoU、GIoU、DIoU、CIoU、EIoU等)

6 MPDIoU

6.1 论文

6.2 概念及公式

6.3 代码

7 NWDIoU

7.1 论文

7.2 概念及公式

7.3 代码

---

最近在对损失函数进行改进，对经典的损失函数以及最近学习的损失函数进行梳理

1 IoU

1.1 论文

UnitBox: An Advanced Object Detection Network

1.2 概念及公式

图1 IoU示意图

IoU：交并比，指的是gt（真实框）与预测框交集和并集的比值，示意图见图1，计算公式如下：

其中，A为真实框，B为预测框。

1.3 不足

• 如果两个框不相交，则|A∩B|=0，得到IoU=0，不能反映两者的距离大小

2 GIoU

2.1 论文

Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

2.2 概念及公式

图2 GIoU示意图

GIoU示意图如图2所示，公式如下：

其中，A为真实框，B为预测框，C为A和B的最小封闭框。加入后面这一惩罚项，当A和B无交集时，可以反映两个框的距离。

2.3 不足

• 当一个框被另一个框包围时，退化为IoU（|C|=|A∪B|）

3 DIoU

3.1 论文

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

3.2 概念及公式

图3 DIoU示意图

DIoU示意图如图3所示，公式如下：

其中，A为真实框，B为预测框，C为A和B的最小封闭框。ρ²(A,B)为A、B中心点的距离，c为最小封闭框C的对角线长度。

3.3 不足

• 当中心点重合时，退化为IoU

• 没有考虑对宽高的收敛（这一问题前面也有，在这里提一下是因为后面的CIoU和EIoU主要针对这一点提出改进）

4 CIoU

4.1 论文

提出损失函数应考虑三个几何因素，即:1)重叠面积;2)距离;3)纵横比（宽高比）。

Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation

4.2 概念及公式

图4 CIoU示意图

CIoU示意图如图4所