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。

                                 目标检测中的IOU损失集合_第1张图片

                                                                                            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。

                                      目标检测中的IOU损失集合_第2张图片

                                                                                       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

                         目标检测中的IOU损失集合_第3张图片

                                                                                          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

                            目标检测中的IOU损失集合_第4张图片

                                                                                          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

                                     目标检测中的IOU损失集合_第5张图片

 

 

 

 

参考链接:

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

你可能感兴趣的:(图像处理,深度学习,目标检测,损失函数)