损失函数（IoU、GIoU、DIoU、CIoU）

一：IoU

1：笔记原页

IoU Loss = 1-IoU

2：IOU优缺点
目标检测中常常用iou来衡量proposal或anchor和gt之间的重合度，也就是他们之间的交并比，是目标检测中重要的评价尺度，鲜明的特点就是对尺度scale不敏感。然而没有方向信息，无法指导神经网络应该如何调整：

    · 如果两个框没有交集，则IOU=0，不能反映两者距离的大小，并且loss=0，没有梯度回传，神         经网络无法学习；
     ·IoU无法精确的反映两者的重合度大小

     ·不能反映两个物体如何重叠

3：IoU Loss特性：

具有非负性、尺度不变性（即不受两个物体尺度大小的影响）、同一性、对称性、三角不等性等特点，因此对bounding box的回归任务比较友好。

但是当预测框与真实框不相交时，此时IoU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，网络将无法进行训练。

二：GIoU

论文：https://arxiv.org/abs/1902.09630

github代码：https://github.com/generalized-iou

1：定义

先计算两个框的最小闭包区域面积，再计算闭包区域中都不属于两个框的区域占闭包区域面积的比重，再计算IOU，最后用IOU减去这个比重就能得到GIOU。

2：笔记原页

GIoU Loss是为了解决IoU当B与G不相交时，Loss为0的问题

3：特点

也是一种距离度量，满足损失函数要求
对scale不敏感
GIOU的下界，在两个框重合的情况下，IOU=GIOU
IOU取值[0,1]，而GIOU取值[-1, 1]，两者重合时为1，两者不重合，并且距离无线远的时候取值-1，因此是一个非常好的距离度量指标（因为两个框没有重合且距离无线远时，闭包区域中都不属于两个框的区域和最小闭包区域可看做相等，因此比值为1，iou减去这个比值就是-1

GIoU能够更好地反应相交情况(如下图)。

4：最小区域C的计算

就是读取AB中最小的Xmin，Ymin坐标，最大的Xmax，Ymax坐标，围成的区域就是要求的集合C

三：DIoU Loss

论文：https://arxiv.org/abs/1911.08287?context=cs.CV

GIoU Loss虽然解决了IoU Loss中Loss为0的问题，但是依然存在一些不足。

首先，因为GIoU主要是在收敛Ac-U这个值，这么收敛会导致网络优先选择扩大bounding box的面积来覆盖ground truth，而不是去移动bounding box的位置去覆盖ground truth。

其次，如下图所示，当B覆盖G或者被G覆盖时，只要B与G的面积不变，不管B与G的位置在哪里，IoU Loss与GIoU Loss都是一个定值。

相比GIoU，DIoU限制的不是最小外接矩与B与G并集面积的差值，而是直接限制了最小外接矩的面积和B与G中心点的位置，这会使得网络更倾向于移动bounding box的位置来减少Loss。同时也加入了IoU元素来使bounding box与ground truth的覆盖面积更加接近。

同样的DIoU也有着与GIoU相同的一些特性和取值范围。

四：CIoU Loss

 

参考链接：参考1  参考2 参考3 参考4 参考5

纯属笔记用，方便自己的查阅和复习。

小白学习中。

如有侵权，请联系我删除，感谢各位大佬的博客。