目标检测中IOU GIOU DIOU CIOU的理解

IOU论文：link
GIOU论文：link
DIOU论文：link
CIOU论文：link

原始的IOU存在以下问题：

1. 一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归
2. 没有重叠，就始终为0，并且无法优化。
3. 不能反映两框是怎么相交的

GIOU可以解决1，2这类问题，能给出梯度值，在IOU基础上加了一个惩罚项，当bbox的距离越大时，惩罚项将越大
GIOU存在的问题:
1 . 两框包含的时候，GIOU会退化成IOU
2. GIOU需要迭代很多次才能收敛

DIOU提出中心点归一化距离，可以解决这类问题
论文中提出来DIOU用于nms中，即DIOU-NMS，试验结果表明有一定的提升(改进方向！！！)

CIOU在DIOU的基础上加了一个惩罚因子，alpha*v， 这个alpha是权重函数，v用来衡量长宽比的相似性

对于faster rcnn来说：

1. IOU，GIOU和DIOU性能都很好！
2. 在medium和large物体上效果情况：GIOU has very small gain，DIOU和CIOU效果很好，CIOU尤其好(考虑长宽和中心点位效果好！)
3. 小物体上情况：CIOU比IOU好一点点，DIOU效果好，可能原因是此时中心点比长宽更重要
   改进方向:faster rcnn+DIOU faster rcnn+CIOU

参考文献:
目标检测回归损失函数： https://zhuanlan.zhihu.com/p/104236411
各种loss的整理：https://blog.csdn.net/qq_14845119/article/details/80787753
GIOU: https://mp.weixin.qq.com/s/CNVgrIkv8hVyLRhMuQ40EA
AAAI 2020 | DIoU 和 CIoU：IoU 在目标检测中的正确打开方式: https://bbs.cvmart.net/articles/1396