loss低但精确度低_目标检测中的Loss改进：GIOU

目标检测的改进方向有很多，这次介绍一篇CVPR2019针对Loss的改进方法: GIOU Loss

Motivation

现有目标检测的Loss普遍采用预测bbox与ground truth bbox的1-范数，2-范数来作为loss。但是评测的时候却又采用IOU来判断是否检测到目标。显然二者有一个Gap，即loss低不代表IOU就一定小。就拿下面的例子来说：

上图第一排，所有物体的2-范数loss都一样，但是第三个IOU显然要高于第一个，主观来看也是第三个检测结果要好。第二排也是类似，1-范数都一样，但是IOU却不同。

针对这个问题，很自然的，我们会想直接用IOU作为loss。但IOU作为loss存在一个问题，那就是当预测的bbox和ground truth没有重合时，loss为0，这样就没法优化了。于是，作者提出了GIOU loss。

GIOU

GIOU的计算很简单，对于两个bounding box A，B。我们可以算出其最小凸集（包围A、B的最小包围框）C。有了最小凸集，就可以计算GIOU：

计算方法很简单，从公式可以看出，GIOU有几个特点：<