GIOU 相比于IOU的好处

前言:

  在目标检测的任务中,一样的损失函数可能有不同的IOU值,如下图(L2作为损失函数)

 

  上图三张图有一样的L2距离,但是IoU值却完全不同。坐标表示方法为(x1,y1,x2,y2)。

  下图为L1距离。坐标表示方法为(x,y,w,h),x,y为中心点坐标。

 

 

 科普一下L1与L2距离,明白的请跳过:

 

 

 IOU有它的优点也有它的缺点:

优点

  IOU作为距离时(比如:作为损失函数时L=1−IOU),是一个度量。它包含了作为度量的非负性,不确定性对称性和三角不等性等所有属性。

IoU有尺度不变性,也就是说任意两个方框A和B的相似性与他们的空间尺度大小无关。
缺点:
  1.如果两个目标没有重叠,IoU将会为0,此时两个方框距离无论远近,IOU都无法体现,如果IoU用作于损失函数,梯度为0,无法优化。
  2.IoU无法区分两个对象之间不同的对齐方式。更确切地讲,不同方向上有相同交叉级别的两个重叠对象的IoU会完全相等。如下图

 

 

于是GIOU应运而生:

  对于任意的A、B框,首先找到一个能够包住它们的最小方框C。然后计算C \ (A ∪ B) 的面积与C的面积的比值,注:C \ (A ∪ B) 的面积为C的面积减去A∪B的面积。再用A、B的IoU值减去这个比值得到GIoU

 

 

GIoU作为度量时的性能:GIoU作为距离时,L=1−GIoU,具有非负性,不确定性,对称性以及三角不等性,尺度不变性。

GIoU始终是IoU的下限,即GIoU(A,B) <= IoU(A,B)。当A,B形状相似,并且接近时,GIoU(A,B)接近=IoU(A,B)

范围是-1 ≤ GIoU(A,B) ≤ 1。A,B完全重合时,GIoU(A,B) = IoU(A,B) = 1。(A∪B)/C→0 时,也就是A∪B的面积相对于C框很小很小时,GIoU收敛于-1
GIoU考虑到了 IoU 没有考虑到的非重叠区域,能够反应出 A,B 重叠的方式。

IoU和GIoU做为边框损失函数时的算法流程:

 

 

 

————————————————————————————————————————

本文基于CSDN博主「景唯acr」的博文进行了知识扩展以及增删操作
原文链接:https://blog.csdn.net/weixin_41735859/article/details/89288493

posted @ 2020-03-01 14:44  淇则有岸  阅读(3095)  评论(3编辑  收藏  举报