IOU、GIOU、DIOU、CIOU区别（笔记，仅供自己学习使用）

最新推荐文章于 2023-11-29 10:50:55 发布
最新推荐文章于 2023-11-29 10:50:55 发布
阅读量1.5k 收藏 6
点赞数
分类专栏： YOLOv5 文章标签： 学习 深度学习 目标检测
原文链接：https://zhuanlan.zhihu.com/p/104236411
版权

IOU、GIOU、DIOU、CIOU区别

IOU Loss

IOU（交并比）表示预测锚框和实际检测框之间的交集和其并集的比值

IOU
在这里插入图片描述

GIoU Loss

1.相比于IOU，可以反应预测和目标框之间中心点的距离。在二者完全不想交的时候有作用。
2.IOU只能判断二者交并比的值，无法判断切入方向问题，显示中肯定二者方向相同效果越好。GIOU能通过1中的计算值解决这个问题。
在这里插入图片描述

DIoU Loss

1.增加中心点归一化距离，比上面加了归一化，解决目标框完全包裹预测框，GIOU无意义，退化成IOU的问题。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

CIoU Loss

1.CIoU增加了预测框长宽比 和 目标框长宽比 之间的关系进行添加，提升了损失函数的抑制效果，加强了待测目标的统一性。
在这里插入图片描述

结论

DIoU Loss和CIoU Loss优化了GIoU Loss的不足

参考

学习自用，全文参考https://zhuanlan.zhihu.com/p/104236411
侵权自删。

无尽的虚空2
关注
专栏目录
IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 6584
IoU、GIoU、DIoU、CIoU四种损失函数总结
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU
weixin_44287997的博客
11-05 1750
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU 联言命题 2020-02-23 21:36:37 ...
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
xian0710830114的专栏
12-08 3万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
GIOU、DIOU、CIOU
cdknight_happy的专栏
08-07 2243
1 GIOU 论文：https://arxiv.org/abs/1902.09630 代码：https://github.com/generalized-iou/g-darknet 1.1 摘要 IOU是目标检测中的度量标准，但进行目标位置回归时一般使用的是L1L_1L1​或L2L_2L2​损失，作者证明了最小化这些损失并不等同于可以最大化IOU。因此，作者认为应该将最终的优化目标作为损失函数。但是普通的IOU在两个目标框不重叠时值为0，如果以它为损失函数此时反传的梯度为0，无法进行模型的训练。所以作者提出
iou与giou
weixin_42058525的博客
11-02 2380
衡量目标检测定位性能的主要指标是交并比iou，我们在设计损失函数的时候通常是使用mse等损失函数来优化模型对目标的定位结果，但是这类损失函数并不能够良好的反应定位精度。 对iou的认识：可以反应预测检测框与真实框的检测效果，有一个很好的特性是尺度不变性也就是对尺度不敏感，在回归任务重判断predict box和gt的距离最直接的指标就是iou（满足非负性，同一性，对称性，三角不等性）。作为损失函数会出现的问题是：如果两个框没有相交根据定义iou=0，不能反应两者之间的距离大小，同时loss=0，没有梯度回
目标检测中的IoU、GIoU、DIoU与CIoU
个人学习笔记
12-14 3万+
什么是IOU？ 简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中，有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为： acc=PtrueNN=全部样本的数量，Ptrue=预测正确的样本数量 acc = \frac{P_{true}}{N} {\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量，P_{true}=预测正确的样本数量 acc=NPtrue​​N=全部样本的数量，Ptrue​=预测正确的样本数量 这个
区分（GIOU、DIOU、CIOU）（正则化、归一化、标准化）
qq_34717531的博客
11-29 465
3、 图x3分类全部是正确的，但是看着这副图片，明显觉得过了，连人妖都区分的出来，可想而知，学习的时候需要更多的参数项，甚至将生殖器官的形状、喉结的大小、有没有胡须特征等都作为特征取用了，总而言之。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。DIoU考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU收敛的更快，中我们使用到的特征非常多(一般而言，机器学习的过程中，很多特征是可以被丢弃掉的)。的N特别的大，因为需要提供的特征多，或者提供的。
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 7589
目标检测常用边界框IOU对比
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 541
发展过程： IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集。 IOU Loss： 或者 IOU Loss = 1 －IOU(比较常用) IOU 的优点： 1.能够很好的反应重合的程度 2.具有尺度不变性 缺点： 当不相交时候loss为0 （IOU Loss = 1 - IOU） GIOU 如图绿色边界框为真实的边界框，红色边界框为网络预测的边界框，蓝色边界框为用最小的矩形把两个边界框给框住。 = 蓝色目标边界框面积。...
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
然而，传统的IoU在处理非对称形状或不同大小的目标时存在局限性，因此出现了各种优化版的IoU，如GIoU（Generalized IoU）、DIoU（Distance IoU）、CIoU（Complete IoU）和SIoU（Symmetric IoU）等。 CIoU在DIoU的...
IoU、GIoU、DIoU、CIoU详解及python代码实现
m0_53114462的博客
05-30 3577
一、IoU、GIoU、DIoU、CIoU详解： （1）IoU IoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示： 由图可知IoU的值域为[0, 1]。 IoU的优点： 1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。 2、 IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。 IoU的缺点： 1、当预测框和真实框不相交时，IoU(A,B)=0时
IoU、GIoU、DIoU、CIoU
f9547064141的博客
06-03 662
IoU 交并比。最常见了 GIoU Ac是上图中C的面积，上式右边的含义就是C中不包含两个框的比重。 DIoU CIoU 在#DIoU 链接: 转自.
IoU、GIoU、DIoU、CIoU损失函数的那点事儿
zandaoguang的博客
05-31 5364
公众号关注“视学算法”设为 “星标”，DLCV消息即可送达！来自 | 知乎作者 | Errorhttps://zhuanlan.zhihu.com/p/9479...
目标检测基础模块之IoU汇总（iou/giou/ciou/diou）
热门推荐
识物专栏
03-30 12万+
1 简介 IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 1.1 IoU在目标检测中的应用 在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。 在我们得到最终的输出后，也可以拿...
IoU、GIoU、DIoU、CIoU计算方法
Ray_awakepure的博客
11-28 4644
IoU IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。 可以说它可以反映预测检测框与真实检测框的检测效果。 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性) IoU的一种实现
目标检测--IoU，GIoU，DIoU和CIoU三种目标检测loss
无左无右的博客
09-26 2082
https://zhuanlan.zhihu.com/p/94799295https://zhuanlan.zhihu.com/p/366744055https://zhuanlan.zhihu.com/p/359982543 Iou GIou DIou CIou IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection ...
目标检测IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
datayx的文章
01-17 1912
向AI转型的程序员都关注了这个号????????????一、简介 在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。...
IoU系列（IoU, GIoU, DIoU, CIoU）
盼你开心
09-24 8379
IoU系列基础概念与优缺点分析
一文读懂IoU，GIoU, DIoU, CIoU, Alpha-IoU (代码非常优雅)
gy77
04-27 3845
IoU就是就是我们说的交并比 Intersection over Union ，具体就是两个box的交集除以并集。 当我们计算我们的anchors 或者 proposals 与 ground truth bounding boxes 的损失的时候，就需要用到IoU。不同的IoU有不同的特性。 IoU： IoU计算了最简单的情况： GIoU： 当两个anchor与gt box都不相交的时候，IoU的loss是一样大的，我们理论认为anchor距离gt box越近，loss应该越小，不应
yolov5s采用的是IOU还是CIOU
最新发布
07-11
YOLOv5s（You Only Look Once version 5 small）是一种流行的实时物体检测算法，它采用了改进版的IoU（Intersection over Union）计算方式，称为GIoU（Generalized IoU）或DIoU（Distance IoU）。GIoU和DIoU都是为了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值