目标检测中的IOU损失集合

目录

一、IOU

二、GIOU

三、DIOU

四、CIOU

五、性能对比

---

 

一、IOU

1. IOU 即为交并比，图像如下。

                                 

                                                                                            图一

可以想当然的把IOU当作训练的Loss， 比如Loss = 1 - IOU， 当两个物体越接近为同一个物体时候，则IOU越接近1，则loss越小。这样模型就可以通过不断降低loss来使得模型得出更好的预测结果。

2. 缺点：

          1）当两个框不相交的时候，IOU=0， Loss = 1 - IOU =1， 将梯度传回，当两个框相距较远时候，调整预测框的位置，其IOU也等于0，这样会导致预测框经过多次调整后Loss还是等于1，这样网络需要很多次迭代（随机尝试），才有可能达到两个框有交集，进而再不断减小Loss。（迭代时间长，可能出现Loss一直不变的情况）

          2）loss仅仅与两个框的交并比有关，及相交面积有关。但如下图中，三者的相交面积一样，但是重合度却差很多。感觉可以再增加一个值，即两个框中心点的距离，即 Loss = 1 - IOU + Distance_two_center，这样更合理一点，距离越远，惩罚越多。

                                      

                                                                                       图二

二、GIOU

                                                      

其中Ac 表示一个最小的封闭形状（框）将计算交并比的两个框包含起来的面积（图一中的(X22-X11)*(Y22-Y11)）。 然后公式的后者等于在两个离的很远的框的情况上增加了一个惩罚。 故 Loss = 1 - GIOU ， 即在 1 - IOU的基础上增加了一个 |Ac - U|/Ac 的惩罚，两个框离的越远惩罚越大。

这样可以解决

           1： 在两个框不相交情况下 Loss恒等于1的情况。

            2：两个框越远 Loss 越大，故有目的的让网络拉近预测框和真实框直接的距离。

三、DIOU

                         

                                                                                          图三

其Loss函数为：

其中 b和bgt 分别表示 Anchor 和 目标框的中心点， 而p^2 表示两个中心点的欧式距离， c表示包含两个框最小框的斜对角线长度。

DIOU 在原先IOU的基础上 多考虑了

             1）重叠区域面积   即  p^2 (b, b^gt) / c^2

             2） 中心点的距离  即： p^2( b, b^gt )

优点：

             1）比直接IOU来说，可以在两个框不相交的情况下，根据后面的惩罚  p^2(b,b^gt) 来拉近两个框的距离

             2）较GIOU来说，DIOU是直接在两个框的中心点距离作为惩罚，拉近两个框的距离的速度远大于GIOU

             3）在下面图四的情况下，GIOU直接退化成IOU，不能有效的拉近两个框的距离，而DIOU根据中心点距离可以快速拉近两个框的距离，进而使Loss快速下降。

             4）可以应用中NMS中替代IOU，IOU对于很多同类物体相互遮挡情况下，容易将遮挡的物体（框）剔除掉，而DIOU增加了中心点距离参数，则减少值，抑制NMS剔除相近的遮挡物体的框。 DIOU

                            

                                                                                          图四

 

四、CIOU

CIOU 在DIOU上增加了长宽比的惩罚，其中 α为权重系数，v 来衡量长宽比的相似性。

                                       

其中：

                                            

 

五、性能对比

Yolo v3 在 PASCAL VOC 上的 测试结果

                                     

 

 

 

 

参考链接：

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