Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

摘要

边框回归是目标检测的关键步骤。在现有的方法中，虽然在边框回归中广泛采用了n范数损失，但并不是针对评价指标IoU进行定制的。近年来，人们提出了IoU损失和G-IoU损失两种可以有利于提升IoU指标的方法，但仍存在收敛速度慢、回归不准确等问题。在这篇论文中，通过合并预测框和目标框之间的归一化距离，我们提出了一种Distance -IoU损失，它在训练过程中比IoU和GIoU损失收敛得更快。此外，本文还总结了边界框回归中的三个几何因素：重叠面积，中心点距离和长宽比。在此基础上，提出了一个Complete IoU (CIoU)损失，从而可以更快的收敛并得到更好的性能。通过将DIoU和CIoU损失合并到最先进的目标检测算法中，例如YOLO v3、SSD和Faster RCNN，我们在IoU度量和GIoU度量方面都取得了显著的性能改善。另外，DIoU可以很容易的被引入到非最大抑制(non-maximum suppression, NMS)中作为判据，进一步促进了性能的提升。

创新点：

1. A Distance-IoU loss, i.e., DIoU loss, is proposed for bounding box regre