GIOU:对IOU的优化

GIOU:对IOU的优化

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

针对这两个缺点,有人提出了GIOU

GIOU

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。解释一下什么是最小闭包区域,所谓最小闭包区域就是两个框的最小外接矩形啦,如图所示:包含黄色和红色的两个框的最小外接矩形就是最小闭包区域啦。

GIOU:对IOU的优化_第1张图片

有如下特点

  • 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)

因此比值为1,iou减去这个比值就是-1)

你可能感兴趣的:(目标检测)