Distance-IoU Loss_ Faster and Better Learning for Bounding Box Regression

IoU loss和GIoU loss

IoU丢失只在边界盒有重叠时起作用，对于不重叠的情况不提供任何移动梯度。于是提出了GIoU。

其中C是覆盖B和Bgt的最小bbox。由于引入惩罚项，在不重叠的情况下，预测框会向目标框移动。

1. 但在这种情况下GIoU loss会退化成IoU loss。
2. 由于严重依赖IoU项，GIoU经验上需要更多的迭代来收敛，特别是水平和垂直边界框。
3. 目前最先进的检测算法通常不能很好地收敛GIoU丢失，导致检测不准确。

为了解决收敛慢和bbox回归不准确的问题，提出了DIoU loss和CIoU loss。

DIoU loss

c是覆盖这两个bbox的最小bbox的对角线长度。
DIoU损失的惩罚项直接最小化两个中心点之间的距离，而GIoU损失的目的是减小C−B∪Bgt的面积。

CIoU loss

边界框高宽比的一致性也是一个重要的几何因素。因此，在DIoU损失的基础上，通过对高宽比的一致性施加影响，提出了CIoU损失的概念。