GIoU

论文：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression（CVPR 2019）

疑问

Faster RCNN只针对正样本回归，IoU都相对较高,IoU=0的情况不存在吧？？？

动机

以 Loss 为切入点，寻找更合适的 Loss 提升回归部分训练效果。

其实也就是要找到一个指标能灵敏地反应预测框的好坏（与目标框差别大不大），一般可以用 IoU 作为指标判断，该指标有以下特性：

• IoU 越大反应了预测框相对越准
• 对目标尺度不敏感（直接用目标框长宽和顶点坐标则对目标尺度敏感）

但是下列情况下，IoU就不能直接反应预测框的好坏：

• 当几个预测框均和目标框没有交集时（IoU=0），就不能对其进行区分
• 对齐方式不同，但 IoU 相同的情况，如下图：
  

GIoU

GIoU 融合 IoU 这个比较直接的指标的同时，还考虑了非重合区域，克服该指标上述不足，如上图：通过GIoU这个指标可以认为左边的预测框更好，这也较为符合直观感受

$C$ 为包含 $A$、 $B$ 的 最小矩形，$|C(A\cup B)|$ 表示 $C$ 除去 $A$、 $B$ 的并集

IoU Loss 和 GIoU Loss

10K个2D随机样本上测试

实验

用IoU Loss和GIoU Loss代替 YOLO算法和Faster R-CNN 等回归部分的 MSE，网络表现均有提升，GIoU 提升幅度相对更大

参考文献

【1】CVPR2019: 使用GIoU作为检测任务的Loss