IoU

发表于 |

reference: https://bbs.cvmart.net/articles/1396

  1. IoU

    IoU = Intersection / Union

    $Loss_{IoU} = 1 - IoU$

    • [0,1]
    • 无法直接优化没有重叠的部分：如果两个框没有交集，IoU=0，没有梯度回传，无法进行学习训练
    • 尺度不敏感

    • 无法精确的反映两者的重合质量

  2. GIoU(Generalized Intersection over Union)

    $GIoU = IoU - \frac{|A_c - U|}{|A_c|}$，$A_c$是包含两个框的最小外接框

    $Loss_{GIoU} = 1 - GIoU$

    • GIoU倾向于先增大bbox的大小来增大与GT的交集，然后通过IoU项引导最大化bbox的重叠区域
    • [-1,1]：对称区间
    • 能够关注到非重合区域：引入了外接框C
    • 尺度不敏感
    • 两个框为包含关系时，退化为IoU
    • 如果之间用来替换mse，前期收敛会比较慢
    • 一般地，GIoU loss不能很好地收敛SOTA算法，反而造成不好的结果

  3. DIoU (Distance-IoU)

    $DIoU = IoU - \frac{d^2}{c^2}$，d是两个中心点间的欧式距离，c是两个框的最小外接框的对角线距离

    $Loss_{DIoU} = 1 - DIoU$

* 直接最小化两个目标框的距离，收敛快得多，而且稳定

* 也能够关注到非重合区域：引入外接对角线

* 对于包含关系的两个框，仍旧有距离损失，不会退化为IoU：因为中心点距离

* 可以替换NMS中的IoU：原始的IoU仅考虑了重叠区域，对包含的情况没有很好的处理
    $$
    score = score\text{ if }IoU - dis(box_{max}, box)>\epsilon \text{, else } 0
    $$

* 没有考虑形状（长宽比）

  1. CIoU (Complete-IoU)

    $CIoU = IoU - \frac{d^2}{c^2}-av$，在DIoU的基础上新增了惩罚项av，a是权重系数，v用来评价长宽比：

    $Loss_{CIoU} = 1 - CIoU$

    • v的梯度中有$\frac{1}{w^2+h^2}$，长宽在[0,1]之间，可能很小，会导致梯度爆炸，用的时候

      • clamp一下上下限

      • 分母中的$w^2+h^2$替换成1