yolo-mask的损失函数l包含三部分_IoU、GIoU、DIoU、CIoU损失函数的那点事儿

一、IOU(Intersection over Union)

1. 特性(优点)

IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。

1. 可以说它可以反映预测检测框与真实检测框的检测效果。
2. 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性)

import 

2. 作为损失函数会出现的问题(缺点)

1. 如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。
2. IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。

二、GIOU(Generalized Intersection over Union)

1、来源

在CVPR2019中，论文

《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》​arxiv.org

的提出了GIoU的思想。由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等）优化和IoU优化不是完全等价的，而且 Ln 范数对物体的scale也比较敏感，IoU无法直接优化没有重叠的部分。

这篇论文提出可以直接把IoU设为回归的loss。

上面公式的意思是：先计算两个框的最小闭包区域面积

(通俗理解： 同时包含了预测框和真实框 的最小框的面积)，再计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。

附：

generalized-iou/g-darknet​github.com

2、 特性^[1]

• 与IoU相似，GIoU也是一种距离度量，作为损失函数的话，
  ,满足损失函数的基本要求
• GIoU对scale不敏感
• GIoU是IoU的下界，在两个框无限重合的情况下，IoU=GIoU=1
• IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。
• 与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度。

def 

三、DIoU(Distance-IoU)^[2]

1、来源

DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。论文中

Distance-IoU​arxiv.org

基于IoU和GIoU存在的问题，作者提出了两个问题：
1. 直接最小化anchor框与目标框之间的归一化距离是否可行，以达到更快的收敛速度？
2. 如何使回归在与目标框有重叠甚至包含时更准确、更快？

其中，

，

分别代表了预测框和真实框的中心点，且

代表的是计算两个中心点间的欧式距离。

代表的是能够同时包含预测框和真实框的

最小闭包区域的对角线距离。

DIoU中对anchor框和目标框之间的归一化距离进行了建模

附：

YOLOV3 DIoU GitHub项目地址​github.com

2、优点

• 与GIoU loss类似，DIoU loss（
  ）在与目标框不重叠时，仍然可以为边界框提供移动方向。
• DIoU loss可以直接最小化两个目标框的距离，因此比GIoU loss收敛快得多。
• 对于包含两个框在水平方向和垂直方向上这种情况，DIoU损失可以使回归非常快，而GIoU损失几乎退化为IoU损失。
• DIoU还可以替换普通的IoU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。

实现代码：^[3]

def 

四、CIoU(Complete-IoU)

论文考虑到bbox回归三要素中的长宽比还没被考虑到计算中，因此，进一步在DIoU的基础上提出了CIoU。其惩罚项如下面公式：

其中

是权重函数，

而

用来度量长宽比的相似性，定义为

完整的 CIoU 损失函数定义：

最后，CIoU loss的梯度类似于DIoU loss，但还要考虑

的梯度。在长宽在

的情况下，

的值通常很小，会导致梯度爆炸，因此在

实现时将替换成1。

^[4]

实现代码：^[5]

def 

五、损失函数在YOLOv3上的性能(论文效果)

目标检测算法之AAAI 2020 DIoU Loss 已开源(YOLOV3涨近3个点)​cloud.tencent.com

推荐文章：

https://zhuanlan.zhihu.com/p/104236411​zhuanlan.zhihu.com

参考

1. ^特性参考 https://zhuanlan.zhihu.com/p/57863810
2. ^DIoU参考 https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247493985&idx=3&sn=23da3173b481d309903ec0371010d9f2&chksm=f9a19beeced612f81f94d22778481ffae16b25abf20973bf80917f9ff9b38b3f78ecd8237562&mpshare=1&scene=1&srcid=&sharer_sharetime=1575276746557&sharer_shareid=42a896371dfe6ebe8cc4cd474d9b747c&key=e2a6a5ccea4b8ce456e144f8db72f8becd6cfd3489f508fde8f890126594ca445adaf6bd6018077f94490c98f494d0eaf8c70165161be0cb274041ca9948ce62f6efe6e8bd9123a5b88be2b216b3da7e&ascene=1&uin=MjAyNTQwODM2NQ%3D%3D&devicetype=Windows+10&version=62070158&lang=zh_CN&pass_ticket=lZlnK6GAZ9ytbMcunsgTln9TaxVld4X1XGi8tTmIAmsi3d5CrasWo8RlWqYnGtqv
3. ^DIOU代码实现 https://blog.csdn.net/TJMtaotao/article/details/103317267
4. ^AAAI 2020 | DIoU 和 CIoU：IoU 在目标检测中的正确打开方式 https://bbs.cvmart.net/articles/1396
5. ^https://blog.csdn.net/TJMtaotao/article/details/103317267