论文笔记：Generalized Intersection over Union

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

https://arxiv.org/abs/1902.09630

论文中通过提出一个新的损失函数来提升目标检测精度，思路比较新颖。

Motivation

IoU是目标检测中最常用的评估尺度，它是一种比值的概念，具有scale不敏感的特性。目前，检测任务通常都是采用回归损失（如MSE loss， smooth l1 loss）作为网络的目标函数，用IoU作为评估的尺度，但是这两者之间实际上是不等价的（如下图）。而且，\(L_n​\)也不是尺度不变的。通常来说，网络最好的目标函数就是尺度函数本身。但是直接使用IoU作为loss无法对不重叠的bounding box。论文中对使用IoU作为损失函数进行了探索，并提出了一种新的损失函数，GIoU。

Generalized Intersection over Union

GIoU定义

IoU的计算公式如下：
\[ IoU=\frac{|A{\cap}B|}{|A{\cup}B|} \]
IoU主要有两种特性：

• IoU可以作为距离
• IoU具有尺度不变性

但是IoU的一个缺点在于，当\(A{\cap}B=0\)时，IoU=0。这个时候IoU并不能反映出两个图像是邻近还是相隔很远。

针对这个缺点，论文中提出GIoU，其计算方法如下：

1. 对于任意两个凸多边形A和B，首先计算A和B的外包多边形C
2. 计算C中出去A、B部分的剩下的面积占C的面积的比率
3. GIoU的值为IoU减去这个比率

GIoU具有如下特性：

• 与IoU类似，GIoU可以作为一种距离度量
• 与IoU类似，GIoU具有尺度不变性
• GIoU是IoU的一个下界，即\(GIoU(A, B) {\leq}IoU(A,B)\)
• \(-1{\leq}GIoU(A, B) {\leq}1\)

GIoU作为边界框回归的损失函数

任意形状多边形的外包多边形不好求，但是在目标检测中，这个多边形是axis aligned的矩形，这使得计算GIoU变得非常容易。具体计算方法如下图：

实验结果

作者在VOC和COCO上分别采用Yolo V3和Faster RCNN算法进行了实验

Pascal VOC with yolo

MS COCO with yolo

Pascal VOC with Faster RCNN

MS COCO with Faster RCNN

转载于:https://www.cnblogs.com/zjim/p/10951992.html