IOU loss详解

转载自：https://www.jianshu.com/p/e3bf67cd4459

IoU损失

DenseBox   DenseBox是全卷积网络，网络的输出大小为(；输出feature map上的点确定一个检测框的样本，包含样本的信息度和该点到bounding box四边的距离。
Unitbox   相对于DenseBox，Unitbox使用IoU损失替代传统的定位L2损失。

IoU 损失示意图

IoU损失的前向传播

IoU损失前向传播伪代码

本质上是对IoU的交叉熵损失，即将IoU视为伯努利分布的随机采样，并且，于是可以简化为：

IoU损失的反向传播

以为例，IoU损失的反向传播

其中：


同理，可以推导其他三个变量的求导过程。

从上述推导，可知：

1. 损失函数和成正比，因此预测的面积越大，损失越多；
2. 同时损失函数和成反比，因此我们希望交集尽可能大；
3. 由1，2可知当bounding box等于ground truth时检测效果最好。

因此，优化IoU损失是正向促进物体检测精度的。

总结

IoU损失的优点总结如下：

• IoU损失将位置信息作为一个整体进行训练，而L2损失却把它们当作互相独立的四个变量进行训练，因此IoU损失能得到更为准确的训练效果；
• 输入任意样本，IoU的值均介于之间，这种自然的归一化损失使模型具有更强的处理多尺度图像的能力。