IOU,GIOU,DIOU,CIOU

最新推荐文章于 2023-06-15 10:09:38 发布
最新推荐文章于 2023-06-15 10:09:38 发布
阅读量1.5k 收藏 7
点赞数 1
分类专栏： 学习日常 代码理解
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45032769/article/details/106496107
版权
IOU: https://www.jianshu.com/p/e3bf67cd4459https://blog.csdn.net/leonardohaig/article/details/103394369?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-bl
摘要由CSDN通过智能技术生成

IOU: https://www.jianshu.com/p/e3bf67cd4459

https://blog.csdn.net/leonardohaig/article/details/103394369?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase
IOU的优点：

IOU

IOU可以作为距离，loss=1-IOU。但是当两个物体不相交时无回传梯度。 (缺陷)
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。
以A，B两个box重合的情况为例，若boxes1=[[0,0,10,10],[0,0,5,5]],boxes2=[[0,0,10,10],[0,0,5,5]],此时IOU=[1,1]
IOU的缺点：
无法衡量两框是相邻还是甚远
如下图2所示，两种情况下IOU均为0，(a)中两框距离较近，(b)中两框明显距离要远，但是仅从IOU数值上无法判断两者距离较近还是较远（两个物体不相交时无回传梯度）
IOU不能反映两个物体如何重叠（相交方式）。
如下图3所示，两种情况下的IOU均为0.1428，(a)中两框要比(b)中的相交更整齐一些，但是IOU并没有反映出这个特点。

为了解决这个问题,衍生出了GIOU
在这里插入图片描述
在这里插入图片描述

GIOU是为克服IOU的缺点同时充分利用优点而提出的
在这里插入图片描述

1.假设A为预测框，B为真实框，S是所有框的集合
2.不管A与B是否相交，C是包含A与B的最小框(包含A与B的最小凸闭合框)，C也属于S集合
3.首先计算IoU，A与B的交并比
4.再计算C框中没有A与B的面积，比上C框面积；
5.IoU减去前面算出的比；得到GIoU
6.Note：本文提出的例子中A、B均是矩形框，但是也可以为其他的。比如：A、B为椭圆形，那么此时C将是包含A、B的最小椭圆形；或者A、B均是3D box也可。
在这里插入图片描述
论文作者给

最低0.47元/天 解锁文章
听我的错不了
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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 6387
IoU、GIoU、DIoU、CIoU四种损失函数总结
python实现的Iou与Giou代码
09-18
在计算机视觉领域，IoU（Intersection over Union）和GIoU（Generalized Intersection over Union）是衡量两个边界框重叠程度的重要指标，常用于目标检测算法的评估。这两个度量可以帮助我们理解模型对目标定位的...
GIOU、DIOU、CIOU
cdknight_happy的专栏
08-07 2194
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、GIoU、DIoU、CIoU
weixin_38906715的博客
09-06 1048
IoU就是我们所说的交并比作为损失函数会出现的问题(缺点)如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。GIoU:先计算两个框的最小闭包区域面积(通俗理解：同时包含了预测框和...
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3291
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression #--------------------------------------
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
最新发布
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...
L1 LOSS -- EIoU loss 一览 .pdf
02-03
L1 LOSS -- EIoU loss
IOU计算方法，python
01-31
深度学习矩形框IOu计算方法实现
IoU、GIoU、DIoU、CIoU损失函数的那点事儿
bbbeoy的专栏
09-27 913
https://zhuanlan.zhihu.com/p/94799295
IoU系列（IoU, GIoU, DIoU, CIoU）
盼你开心
09-24 7986
IoU系列基础概念与优缺点分析
IOU、GIOU、DIOU、CIOU详解及代码实现
qq_52302919的博客
01-13 1万+
一、IOU Loss 旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。 文章链接：https://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。IOU满足非负性
【IoU全总结】GIoU, DIoU, CIoU, EIoU&Focal, αIoU, SIoU,WIoU【基础收藏】
深度学习
06-15 4250
边界框回归的三大几何因素：重叠面积、中心点距离、纵横比IOU Loss：考虑了重叠面积，归一化坐标尺度；GIOU Loss：考虑了重叠面积，基于IOU解决边界框不相交时loss等于0的问题；DIOU Loss：考虑了重叠面积和中心点距离，基于IOU解决GIOU收敛慢的问题；CIOU Loss：考虑了重叠面积、中心点距离、纵横比，基于DIOU提升回归精确度；
目标检测中的IoU、GIoU、DIoU与CIoU
热门推荐
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
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 6189
目标检测常用边界框IOU对比
IOU ,GIOU ,DIOU,CIOU 介绍
Enochzhu的博客
04-12 5410
目录 文章目录IOU & GIOU & DIOU 介绍及其代码实现目录IOU介绍计算代码GIOU介绍代码DIOU介绍代码CIOU介绍DIOU CIOU结果分析代码总结参考资料 IOU 介绍 IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比...
详解GIoU、DIoU、CIoU Loss
nwpuxhld
03-04 9003
GIoU、DIoU、CIoU详解GIoU、DIoU、CIoUGIoU优势核心实现公式CodeDIoU(Distance-IoU)MotivationContributionsDetailResultDiscussion GIoU、DIoU、CIoU 随着IoU Loss在目标检测领域的应用，最近有几篇典型的工作提出去改进IoU Loss，本文将依次介绍GIoU、DIoU和CIoU Loss GIoU 优势 首先可以实现较全场景以类IoU Loss为目标直接优化，使得优化目标和最终的评估目标一致。由于IoU
IoU，GIoU，DIoU和CIoU三种目标检测loss
donkey_1993的博客
01-16 2万+
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAIDistance-IoU Loss: Faster and Better Learning for Bound...
把下面这段话改写一下：IOU_Loss：主要考虑检测框和目标框重合程度。 GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。 DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。 CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。 综上所述，IOU_Loss主要考虑了检测框和GT框之间的重叠面积；GIOU_Loss在IOU的基础上，解决边界框不重合时出现的问题；DIOU_Loss在IOU和GIOU的基础上，同时考虑了边界框中心点距离信息；CIOU_Loss在DIOU的基础上，又考虑了边界框宽高比的尺度信息。
04-19
IOU_Loss是为了评估检测框与目标框之间的重叠程度；GIOU_Loss在基础上，能够解决边框不重叠...DIOU_Loss基于IOU和GIOU, 同时考虑了边界框中心点距离；CIOU_Loss 在DIOU基础上，尺度信息进一步添加到边界框的纠错中去。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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