论文学习笔记：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regressi

Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

作者：Hamid Rezatofighi, Nathan Tsoi, JunYoung Gwak, Amir Sadeghian, Ian Reid, Silvio Savarese
论文链接：https://arxiv.org/abs/1902.09630
论文解读：https://mp.weixin.qq.com/s/6QsyYtEVjavoLfU_lQF1pw

重点：包围框boundingbox优化方法

1、零碎的笔记

我首先看的是论文解读连接里面的讲解，截图来自极市平台的解读。

1）bounding box regression中L1、L2 loss这个可以提升的点。

2）IoU是目标检测中一个重要的概念，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离，或者说predict box的准确性。IoU有一个好的特性就是对尺度不敏感（scale invariant）。

3）loss和IoU对比

4）IoU也有问题，所以要用GIou

5）GIoU

疑问：这里不是很看得懂是什么意思，上下约分一下不就变成了，1/|AUB|了吗。

而且不是很董C是什么，smallest enclosing convex object，最小封闭凸体。

6）GIoU和IoU作为loss的计算方法

上一个疑问在这里找到了答案：

从这个算法我们回看上面的GIoU截图，最后的使用不太准确，应该是|C-(AUB)|/|C|

然后C这个最小封闭凸体，就是最小外切矩形，解读里面将之翻译成最小闭包区域

这个闭包虽然在这个代码里面，因为用的是矩形的boundingbox，所以是最小外切矩形

考虑引申，使用在多边形的mask计算中的时候，应该使用凸包来计算。

7）实验效果

纵向的MSE是YOLO的原始loss，然后对比LIOU和LGIOU，三行是三个loss比较

AP是Average Precision，目标检测（Object Detection）中性能衡量指标

参考：https://blog.csdn.net/asasasaababab/article/details/79994920