7
computer vision笔记：IoU与GIoU
source link: https://gsy00517.github.io/computer-vision20200213231143/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
computer vision笔记：IoU与GIoU
之前在computer-vision笔记：non-max-suppression中已经介绍过IoU。而在2019年又提出了一种新的损失函数计算方式——GIoU，这里就简述一下其motivation和方法。
References：
电子文献：
https://zhuanlan.zhihu.com/p/94799295
IoU的问题
- IoU与常用的边界框回归损失（smoothL1、均方误差MSE）没有强相关性，即损失相同时，IoU可能会有很大不同。
- 如果两个对象不重叠，则IoU值将为零，可此时就无法反映两个边界框彼此之间的距离。如下图所示，绿框与红框、绿框与蓝框的IoU都是零，可显然蓝框与红框的距离是比绿框要大得多的，这里用IoU就无法体现。
- IoU还有一个问题就是它无法正确区分两个对象的对齐方式，如下图所示，虽然它们的IoU是相同的，可是对齐方式大不相同，这点IoU也无法体现。
针对IoU上述问题，GIoU巧妙地改进了定义的方法，提出了一种更强大的方式。简单来说可分为如下三步：
寻找两个边界框的最小闭包区域
如下图所示，寻找A、B两个边界框的最小闭包区域C，一般就是最小外接凸多边形或者圆形。计算IoU
还是用相同的方法，现计算得出IoU。计算GIoU
我们可用如下公式计算GIoU的值GIoU=IoU−|C−(A⋃B)||C|GIoU=IoU−|C−(A⋃B)||C|用文字来描述，即先计算两个框的最小闭包区域面积，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减去这个比重就得到GIoU。
类似IoU的损失函数LIoU=1−IoULIoU=1−IoU，GIoU的损失函数计算公式如下LGIoU=1−GIoULGIoU=1−GIoU
实验表明，只需要将边界回归分支的损失修改为GIoU Loss，检测性能可以提升2%-14%，可以说非常引人瞩目了。
在文首给出的参考链接中，也介绍了一种名为DIoU的改进方式，使收敛更加快速，回归更加稳定，这里就不做介绍了。
碰到底线咯 后面没有啦
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK