GIoU损失论文笔记

---

Generalized Intersection over Union: A Metric and A Loss for Bounding Box
Regression
代码
Giou能够优化那些完全没有相交的框（IOU损失做不到）
l2损失的缺点

如上图a所示 三者的l2损失相同，但是iou相差巨大，因为如果利用的是l2损失，bbox的信息其实就是用左上角和右下角坐标信息来代表的。
因此，如果第二个角位于以绿色矩形的第二个角为中心的半径固定的圆上(由灰色虚线圆圈表示)，则任何预测边界框与地面真值框之间的2范数距离将完全相同。（可以推导得到）。但是他们的iou数值将会相差巨大。

要将IoU设计为损失，主要需要解决两个问题：
预测值和Ground truth没有重叠的话，IoU始终为0且无法优化
IoU无法辨别不同方式的对齐，比如方向不一致等。

IoU的缺点：IOU的阈值若是固定值会太过武断，并不能很好反映不同方法的优劣，因为任意位置精度高于阈值会被同等对待，coco对此提出用多个IOU阈值来求得map