Object Detection--Loss Function：从IoU到CIoU

咸鱼在鱼塘

已于 2024-03-24 22:58:17 修改

阅读量282

点赞数 2

分类专栏：目标检测文章标签：目标检测计算机视觉

于 2024-03-23 23:34:09 首次发布

本文链接：https://blog.csdn.net/u014120499/article/details/136977935

版权

目标检测专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文分析了IoU在计算两个框的相似度时存在的问题，如在不重叠和完全相同情况下的局限性。随后介绍了GIoU，通过引入最小外接矩形的面积来改进IoU，讨论了它在处理特定场景时的倾向性。

摘要由CSDN通过智能技术生成

本篇总结Loss Function中的IoU系列代码。

1. IoU

交并集，两个框交集面积除以并集面积。（论写写画画的重要性）（找原文看看）

"""
box1[x1, y1, x2, y2]
box2[x1, y1, x2, y2]
return iou
"""
def iou(box1, box2):
    # Intersection
    w = max(0, min(box1[2], box2[2])-max(box1[0], box2[0]))
    h = max(0, min(box1[3], box2[3])-max(box1[1], box2[1]))
    
    # Union
    s1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
    s2 = (box2[2]-box2[0]) * (box2[3]-box2[1])
    
    return (w*h)/(s1+s2-w*h)

IoU的问题：

（1）在检测框和目标框完全不重叠时，IoU为0，无法衡量两个框的距离远近，损失函数不可导，无法优化；

（2）两个检测框相同，IoU也相同时，无法衡量两者和目标框相交情况的不同（这点一定要区分吗？）。

2. GIoU

公式：

$GIoU=IoU- \frac{C-U}{C}$

其中C表示最小外接矩形面积，U表示并集面积。

（找原文看看）

"""
box1[x1, y1, x2, y2]
box2[x1, y1, x2, y2]
return giou
"""
def giou(box1, box2):
    # Intersection
    w = max(0, min(box1[2], box2[2])-max(box1[0], box2[0]))
    h = max(0, min(box1[3], box2[3])-max(box1[1], box2[1]))
    
    # Union
    s1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
    s2 = (box2[2]-box2[0]) * (box2[3]-box2[1])
    union = s1+s2-w*h
    
    iou = (w*h)/union
    
    # area of minimun rectangular
    x1 = min(box1[0], box2[0])
    x2 = max(box1[2], box2[2])
    y1 = min(box1[1], box2[1])
    y2 = max(box1[3], box2[3])
    
    c = (x2-x1) * (y2-y1)
    return iou-(c-union)/c

疑问：当两个检测框大小相同，和目标框的IoU相同时，GIoU更倾向于使检测框和目标框在x或y方向上平行，这样合理吗？