IOU的进化进程

0 前言

此文章主要用于记录IOU、GIOU、DIOU、CIOU存在的缺陷以及各IOU解决的问题。
分析其原理，并附上代码实现。(希望这篇文字能够顺利完成)

1 IOU

1.1 定义

交并比（Intersection over Union）是一种测量在特定数据集中检测相应物体准确度的一个标准。

1.2 数学表达式

$IOU=\frac{A\cap B}{A\cup B}$
$A\cap B=\left(x2-x1\right)\ast \left(y4-y3\right)$
$A\cup B=S_A+S_B-A\cap B=\left(x2-x1\right)\ast \left(y2-y1\right)+\left(x4-x3\right)\ast \left(y4-y3\right)-\left(x2-x1\right)\ast \left(y4-y3\right)$
IOU的值域范围为0-1，其值越大，表示两个矩形框越接近。
IOU损失
$L_{iou}=1-IOU$

1.3 缺点

出现下图情况时，IOU将不再有效。
当两个框不存在重叠区域时，右图与左图相比，两个矩形框更接近，其损失应相对较小一些。但此时的IOU值均为0。

1.4 代码

import numpy as np

def calculate_iou(box_gt, box_pd):
    '''
    计算所有预测框与某个真实框的IOU值
    :param box_gt: 真实框  格式[xmin,ymin,xmax,ymax]
    :param box_pd: 预测框  格式[[xmin,ymin,xmax,ymax],格式[xmin,ymin,xmax,ymax],格式[xmin,ymin,xmax,ymax] ... ]
    :return: IOU
    '''
    inter_LeftUp = np.maximum(box_pd[:, :2], box_gt[:2])        # 求交集的左上角坐标
    inter_RightBot = np.minimum(box_pd[:, 2:4], box_gt[2:4])    # 求交集的右下角坐标
    inter_wh = inter_RightBot - inter_LeftUp                    # 求交集框的宽、高
    inter_wh = np.maximum(inter_wh, 0.)                         # 高和宽小于0的置为0
    inter_area = inter_wh[:, 0] * inter_wh[:, 1]                # 求交集框的面积 s = w*h
    area_gt = (box_gt[2] - box_gt[0]) * (box_gt[3] - box_gt[1]) # 真实框的面积
    area_pr = (box_pd[:, 2] - box_pd[:, 0]) * (box_pd[:, 3] - box_pd[:, 1]) # 预测框的面积
    iou = inter_area / (area_gt + area_pr - inter_area)         # 计算IOU
    return iou

2 GIOU

参考 GIOU

1.1 数学定义
$GIOU=IOU-\frac{C-\left(A\cup B\right)}{C}$