loss低但精确度低_目标检测中的Loss改进：GIOU

目标检测的改进方向有很多，这次介绍一篇CVPR2019针对Loss的改进方法: GIOU Loss

Motivation

现有目标检测的Loss普遍采用预测bbox与ground truth bbox的1-范数，2-范数来作为loss。但是评测的时候却又采用IOU来判断是否检测到目标。显然二者有一个Gap，即loss低不代表IOU就一定小。就拿下面的例子来说：

上图第一排，所有物体的2-范数loss都一样，但是第三个IOU显然要高于第一个，主观来看也是第三个检测结果要好。第二排也是类似，1-范数都一样，但是IOU却不同。

针对这个问题，很自然的，我们会想直接用IOU作为loss。但IOU作为loss存在一个问题，那就是当预测的bbox和ground truth没有重合时，loss为0，这样就没法优化了。于是，作者提出了GIOU loss。

GIOU

GIOU的计算很简单，对于两个bounding box A，B。我们可以算出其最小凸集（包围A、B的最小包围框）C。有了最小凸集，就可以计算GIOU：

计算方法很简单，从公式可以看出，GIOU有几个特点：

• GIOU是IOU的下界，且取值范围为(-1, 1]。当两个框不重合时，IOU始终为0，不论A、B相隔多远，但是对于GIOU来说，A，B不重合度越高（离的越远），GIOU越趋近于-1。关于这点，下面再详细解释一下。
• GIOU其实就是在IOU的基础上减掉了一个东西，这个减掉的东西，让我门避免了两个bbox不重合时Loss为0的情况。至于减掉的东西怎么去直观的理解，似乎不好找到一个很好的解释？
• 可导：这一点需要强调下，由于max，min，分段函数(比如ReLU)这些都是可导的，所以用1-GIOU作为Loss是可导的。

当IOU=0时：

显然，

值不变，最大化GIOU就是要最小化

，最小化C就会促成两个框不断靠近，而不是像最小化IOU那样loss为0。

实验结果

YOLO V3涨了2个点，Faster RCNN，MaskRCNN这种涨点少了些。主要原因在于Faster RCNN，MaskRCNN本身的Anchor很多，出现完全无重合的情况比较少，这样GIOU和IOU Loss就无明显差别。所以提升不是太明显。

总结

• Motivation很直接，但是怎么就想到了GIOU这个办法，感觉是神来之笔。
• 改进办法很简单，几行代码。