faster rcnn第二阶段loss出现nan_斯坦福CVPR2019 GIoU:目标检测任务的新Loss

最新推荐文章于 2024-07-12 15:17:37 发布

默默的法师

最新推荐文章于 2024-07-12 15:17:37 发布

阅读量727

点赞数

文章标签： faster rcnn第二阶段loss出现nan

本文链接：https://blog.csdn.net/weixin_42299244/article/details/113071355

版权

文章介绍了GIoU（广义交并比），一种解决IoU作为损失函数时存在的问题的新损失函数，尤其适用于目标检测任务。GIoU在IoU的基础上考虑了非重叠部分，优化了边界框回归，适用于Faster R-CNN等算法。

摘要由CSDN通过智能技术生成

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

论文链接：

https://arxiv.org/abs/1902.09630arxiv.org

代码实现：

https://github.com/generalized-iou/g-darknetgithub.com

项目主页：https://giou.stanford.edu/

介绍

IoU是对象检测基准中最常用的评估指标。然而，优化 Bounding Box Regression(回归边界盒)参数的常用距离损失与使该度量值最大化之间存在差距。度量的最佳目标是度量本身。对于轴对称的2D bounding boxes，可以看出IoU可以直接作为回归损失使用。然而有个问题是IoU无法直接优化没有重叠的部分。通过引入一个广义的IoU作为一个新的损失和一个新的度量来解决IoU的弱点。

要将IoU设计为损失，主要需要解决两个问题：

预测值和Ground truth没有重叠的话，IoU始终为0且无法优化
IoU无法辨别不同方式的对齐，比如方向不一致等。

IoU作为度量和损失都有两个主要问题:(i)如果两个对象不重叠，IoU值将为零，并且不能反映两个形状之间的距离。在非重叠对象的情况下，如果使用IoU作为损失，则梯度为零，无法优化;(ii) IoU不能正确区分两个对象的不同对齐。更精确地说，对于两个具有相同交点水平的不同方向重叠的对象，IoU将是完全相等的例如图二，因此，IoU函数的值并不能反映两个对象是如何重叠的。

通过将IoU的概念扩展到非重叠的情况来解决IoU的这两个弱点。这种推广遵循(A)与IOU相同的定义，即将比较对象的形状属性编码到区域属性中；(B)保持IOU的尺度不变性质，(C)确保在发生重叠物体时与IOU有很强的相关性。因此入这个IoU的广义版本GIoU，作为比较任意两个凸形状的新度量。我们还提供了一个计算两个轴向矩形之间GIoU的解析解，允许在这种情况下将其用作损失。

这篇文章的贡献如下：

引入GIOU，作为比较任意两个形状的新度量。
提供了一个用GIoU作为两个轴向矩形或一般n-正交矩形之间的损耗的解析解。
将GIoU loss合并到最流行的对象检测算法中，如Faster R-CNN、Mask R-CNN和YOLO v3，并在标准的对象检测基准上展示了它们的性能改进。

由于正样本和负样本之间存在显著的阶级不平衡，这使得训练边界框得分更加困难，使用GIoU可能有进一步改进本定位的机会，因为它们的边界框回归损失并不能直接代表核心评估指标，即IoU。在本文中，通过引入IOU的一个广义版本来解决IOU的弱点，它直接被合并为目标检测问题的损失。

GIoU(Generalized Intersection over Union)

两个框框A，B（

equation?tex=A%2C+B+%E2%8A%86+S+%E2%88%88+R%5En

）的IOU的计算方式如下：

这种相似性度量方法在评估许多2D/3D计算机视觉时非常流行,IoU有两个很好的特性如下:

IoU作为距离，例如
，是一个度量。这意味着

实现了度量的所有性质，如非负性、不可分辨性恒等、对称性和三角不等式。
IOU对问题的规模是不变的。这意味着两个任意形状A和B之间的相似性与它们的空间S的尺度无关

然而，IoU有两个缺点:

如果
。在这种情况下，IoU不反映两个形状是在彼此附近还是相距很远。
两种形状不同对齐的IoU值是相同的，只要它们在每种情况下相交的体积(面积)相等。因此，IoU并不反映两个对象之间如何重叠(图2)。

为了解决这些问题，作者提出了IoU的扩展，即GIoU，对于两个任意凸型(体积)

equation?tex=A%EF%BC%8CB%E2%8A%86S%E2%88%88R%5En

，首先求出了包含A和B的最小凸形

，为了比较两种特定的几何形状，C可以来自同一类型。例如，两个任意椭球体，C可以是包围它们的最小椭球。

我们找到一个最小的封闭形状C，让C可以把A，B包含在内，然后我们计算C中没有覆盖A和B的面积占C总面积的比值，然后用A与B的IoU减去这个比值。下面对GIoU的计算作了总结。

GIoU有如下性质：

与IoU类似，GIoU也可以作为一个距离，loss可以用（下面的公式）来计算：
同原始 IoU 类似，GIoU 对物体的大小不敏感。GIoU 总是小于等于 IoU，对于 IoU，有：
而GIoU则是：
由于 GIoU 引入了包含 A，B 两个形状的 C，所以当 A，B 不重合时，依然可以进行优化。
与IoU相比，GIoU不仅关注重叠区域。封闭形状C中两个对称形状A和B之间的空隙在A和B之间没有很好的对齐时增大(图2)，因此GIoU的值更能反映两个对称物体之间是如何重叠的