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:<