知行编程网 2022-06-04 16:00 知行编程网 | 隐藏边栏 | 抢沙发 | 107 0

文章评分 0 次，平均分 0.0 ：

来自 | 知乎作者 | Error

链接 | https://zhuanlan.zhihu.com/p/94799295

本文仅作学术交流，如有侵权，请联系删文

一、IOU(Intersection over Union)

1. 特性(优点)

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，https://zhuanlan.zhihu.com/p/62372897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)

2. 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。

二、GIOU(Generalized Intersection over Union)

1、来源

在CVPR2019中，论文

《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》
https:arxiv.org/abs/1902.09630

的提出了GIoU的思想。由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等）优化和IoU优化不是完全等价的，而且 Ln 范数对物体的scale也比较敏感，IoU无法直接优化没有重叠的部分。

这篇论文提出可以直接把IoU设为回归的loss。

上面公式的意思是：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真实框的最小框的面积)，再计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。

附：

https://github.com/generalized-iou/g-darknet

2、特性[1]

与IoU相似，GIoU也是一种距离度量，作为损失函数的话， ,满足损失函数的基本要求
GIoU对scale不敏感
GIoU是IoU的下界，在两个框无线重合的情况下，IoU=GIoU
IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。
与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度。

一、IOU(Intersection over Union)

二、GIOU(Generalized Intersection over Union)

三、DIoU(Distance-IoU)[2]

四、CIoU(Complete-IoU)

五、损失函数在YOLOv3上的性能(论文效果)

参考

内容反馈

你可能也喜欢

热评文章

发表评论

联系我们

标签云

推广返利

IoU、GIoU、DIoU、CIoU损失函数的那点事儿

一、IOU(Intersection over Union)

二、GIOU(Generalized Intersection over Union)

三、DIoU(Distance-IoU)[2]

四、CIoU(Complete-IoU)

五、损失函数在YOLOv3上的性能(论文效果)

参考

分享本文海报

内容反馈

你可能也喜欢

热评文章

发表评论

联系我们

标签云

推广返利