GIoU详解

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

一、动机：

在目标检测任务中，回归loss相同的情况下，IoU却可能大不相同。
如下图(a)所示：三张图有一样的L2距离，但是IoU值却完全不同。坐标表示方法为(x1,y1,x2,y2)。
图(b)为L1距离。坐标表示方法为(x,y,w,h)，x,y为中心点坐标。

IoU有尺度不变性的优点，但是将其作为损失函数，由于某些方面的问题，无法直接使用。

二、IoU的优点：

1. IoU作为距离时(比如：$L_{IoU}=1-IoU$)，是一个度量。因为它包含了作为度量的所有属性，比如：非负性，不确定性对称性和三角不等性。
2. IoU有尺度不变性，这意味着任意两个方框Ａ和Ｂ的相似性与他们的空间尺度的无关。

三、IoU同时作为度量和损失函数时，存在两个问题:

1. 如果两个目标没有重叠，IoU将会为０,并且不会反应两个目标之间的距离，在这种无重叠目标的情况下，如果IoU用作于损失函数，梯度为０，无法优化。
2. IoU无法区分两个对象之间不同的对齐方式。更确切地讲，不同方向上有相同交叉级别的两个重叠对象的IoU会完全相等。
   

四、本文的主要贡献：

1. 将GIoU作为比较任意两个边框的度量。
2. 使用GIoU作为两个轴对齐矩形的的损失，并提供了解析解。
3. 把GIoU损失加入到最流行的目标检测算法中(例如：Faster R-CNN，Ｍask R-CNN和YOLO v3)，并且展示了他们在标准目标检测基准中提高的性能。

五、GIoU:

对于任意的两个Ａ、B框，首先找到一个能够包住它们的最小方框Ｃ。然后计算C \ (A ∪ B) 的面积与Ｃ的面积的比值，注：C \ (A ∪ B) 的面积为C的面积减去A∪B的面积。再用Ａ、Ｂ的IoU值减去这个比值得到GIoU。

GIoU作为度量时的性能：

1. GIoU作为距离时，$L_{GIoU}=1-GIoU$，非负性，不确定性，对称性以及三角不等性。
2. 尺度不变性。
3. GIoU始终是IoU的下限，即GIoU(A,B) <= IoU(A,B)。当A,B形状相似，并且接近时，$li{m}_{A\to B}GIoU(A,B)=IoU(A,B)$.
   
4. -1 ≤ GIoU(A,B) ≤ 1。A,B完全重合时，GIoU(A,B) = IoU(A,B) = 1. (A∪B)/C→0 时，也就是A∪B的面积相对于C可很小很小时，GIoU收敛于-1.
5. GIoU考虑到了 IoU 没有考虑到的非重叠区域，能够反应出 A,B 重叠的方式。
   

GIoU:

IoU和GIoU做为边框损失函数时的算法流程：

$B^p$:预测框　　　　　　$B^g$:ground truth　　　　　$B^c$:最小包围框
$A^p$:预测框面积　　　　$A^g$:ground truth面积

1. 输入预测框的$(x_1,y_1,x_2,y_2)值$和 ground truth 的$(X_1,Y_1,X_2,Y_2)$值。
2. 将预测值排序：使得 $x_2>x_1,y_2>y_1$。
3. 分别计算预测框的面积$A^p$和 ground truth 的面积$A^g$。
4. 计算两者交集的面积 I .
5. 找出最小包围框$(x_{c1},y_{c1},x_{c2},y_{c2})$.
6. 计算IoU,GIoU
7. 计算$L_{IoU}$，$L_{GIoU}$

六、实验结果

所有对比实验中(网络：Faster R-CNN，Mask R-CNN and YOLOv3 / 数据集：PASCAL VOC, MS COCO)，加过IoU损失和GIoU损失的mAP都在原来的基础得到了提升，在此不一一分析。下图为检测效果图，从左往右分别为$L_{GIoU}$, $L_{IoU}$ ,网络原来的损失函数。实线为ground truth，虚线为预测框。