本文详细介绍了目标检测中常用的IoU Loss及其改进版GIoU、DIoU和CIoU Loss。IoU Loss在检测框回归中存在缺点，当检测框与真实框不相交时，Loss为0，导致网络无法训练。GIoU解决了这一问题，但可能导致扩大边界框面积而非移动位置。DIoU进一步引入中心点距离，鼓励网络调整位置。CIoU Loss综合考虑覆盖面积、中心点距离和长宽比，提供更全面的损失函数。
IoU Loss
对于检测框B和groundtruth G，二者的IoU如下：
那么IoU Loss即为1-IoU。
显然IoU Loss具有非负性、尺度不变性、同一性、对称性、三角不等性等特点，所以可以用于bounding box的回归任务中。
但同时，IoU Loss也存在一个很致命的缺点：
当B与G的IoU为0时，Loss也为0，网络无法进行训练。因此IoU loss在回归任务中的表现并不好。
GIoU Loss
论文：https://arxiv.org/abs/1902.09630
GIoU Loss的目的就是解决IoU Loss中当B与G不相交时，Loss为0的问题。
GIoU的定义如下：
其中，Ac表示B与G的最小外接矩形的面积，u表示B与G并集的面积。而GIoU Loss = 1-GIoU。
GIoU具有一下特性：
1.与IoU一样，具有非负性、尺度不变性等特性
2.任意B、G都存在，GIoU<=IoU
3.-1< GIoU <=1, 当IoU等于1时，GIoU也等于1
由此可
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
