DIoU

论文：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression（2019）
代码：Zzh-tju/DIoU-darknet

DIoU

DIoU Loss 具备 GIoU Loss 优势的同时：

• 考虑与目标中心距离，收敛更快
• 在被预测框包含的情况下，GIoU Loss基本退化为 IoU Loss，DIoU Loss 仍能发挥较大优势，如下图所示，根据 DIoU Loss 可以认为右侧预测框相对较好，这也符合直观感受
• 可作为 NMS 评价指标

GIoU 和 DIoU 效果

$$\begin{array}{rl}{\mathcal{L}}_{IoU}& =1-\frac{\left|B\cap B^{gt}\right|}{\left|B\cup B^{gt}\right|}\\ {\mathcal{L}}_{GIoU}& =1-IoU+\frac{\left|C-B\cup B^{gt}\right|}{|C|}\\ {\mathcal{L}}_{DIoU}& =1-IoU+\underset{{\mathcal{R}}_{DIoU}}{\underbrace{\frac{{\rho }^2\left(\mathbf{b},{\mathbf{b}}^{gt}\right)}{c^2}}}\end{array}$$

其中 $b$ 表示框的中心点， $c$ 表示包含两框（预测框和目标框）的最小矩形的对角线长度，$\rho$ 表示取欧氏距离，除以 $c^2$ 是为了减小目标尺度的影响

CIoU

考虑框的长宽比， $v$ 表示长宽比的相似性，$\alpha$ 为权重函数


设置仿真实验比较 IoU、GIoU、DIoU、CIoU 损失，蓝色点为 Anchors 的位置，每个位置有七个尺寸的 Anchor Boxes，中间黑点位置有七个不同尺寸的目标框，对 Anchor Boxes 进行迭代回归， IoU、GIoU、DIoU、CIoU 四种 Loss 表现如下图：

• IoU误差曲线：IoU无法横衡量与目标框没有重叠的 Anchor Boxes，离中心较远的 Anchor Boxes 基本训练不到，所以保持较高误差
• GIoU误差曲：对于与目标框没有重叠的 Anchor Boxes，GIoU 表现明显比 IoU 更好。但是当没有重叠时，GIoU对水平和竖直方向监督效果不够（由GIoU Loss公式即可知道），误差也比较难降下来
• DIoU和CIoU误差曲线：收敛快速稳定

DIoU-NMS

标准 NMS 以 IoU 作为指标，在遮挡情况下可能产生虚假抑制，可以用 DIoU 代替 IoU

$s_i$表示分数，$\mathcal{M}$ 为最高分数预测框，$B_i$表示 其余预测框，$\epsilon$ 为阈值，DIoU-NMS可以较为方便地嵌入检测器

相关实验

参考文献

【1】IoU、GIoU、DIoU、CIoU损失函数的那点事儿
【2】GIOU