【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍

文章目录

  • 1、IoU
  • 2、GIoU(Generalized Intersection over Union)
  • 3、DIoU
  • 4、CIoU

1、IoU

  • IoU为交并比,即对于pred和Ground Truth:交集/并集
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第1张图片

1、IoU可以作为评价指标使用,也可以用于构建IoU loss = 1 - IoU
缺点:
2、对于pred和GT相交的情况下,IoU loss可以被反向传播,因为IoU不为0,可以计算梯度。但是二者不相交的话,梯度将会为0,无法优化。
3、pred和GT不相交时,IoU为0,因此无法判断二者距离是远还是近
【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第2张图片
4、IOU不能反映两个物体如何重叠(相交方式)。两种情况下的IOU均为0.14,但(a)中两框要比(b)中的相交更整齐一些。
【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第3张图片

2、GIoU(Generalized Intersection over Union)

  • 考虑到上述IoU的缺点,在GIoU中做了改进。
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第4张图片
  • C是包含A与B的最小框,即两个框的外接矩形框
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第5张图片

1、GIoU对不相交的情况下,不为0,因此使用GIoU loss = 1 - GIoU可以进行梯度的反向传播
2、GIoU可以反应二者的相交情况,对的更齐时GIoU更大,例如上面的第二幅图
3、GIoU可以更好的反应pred和GT之间的距离情况
【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第6张图片

3、DIoU

  • DIoU主要考虑了如下的情况
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第7张图片
  • 即pred完全在GT内部,IoU和GIoU就相同了,不能判断pred中心位置是否接近GT中心
  • 因此,DIoU Loss是在IoU Loss基础上引入一个距离惩罚项,定义如下:
    在这里插入图片描述
  • 上述损失函数中,b,bgt分别代表了anchor框和目标框的中心点,且$$代表的是计算两个中心点间的欧式距离。c代表的是能够同时覆盖anchor和目标框的最小矩形的对角线距离,相当于做了归一化:d/c,如下图所示。
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第8张图片

1、与GIoU loss类似,DIoU loss在与目标框不相交时,梯度不为0,可以进行优化。
2、收敛更快:DIoU loss可以直接最小化两个目标框的距离,而GIOU loss优化的是两个目标框之间的面积,因此比GIoU loss收敛快得多。
3、对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快,而GIoU损失几乎退化为IoU损失

  • DIoU要比GIoU更加符合bbox回归的机制,将GT与pred之间的距离,重叠率以及尺度都考虑进去,使得目标框回归变得更加稳定,不会像IoU和GIoU一样出现训练过程中发散等问题。

4、CIoU

  • 考虑到pred和GT之间的长宽比也是很重要的,因此CIOU Loss又引入一个box长宽比的惩罚项:
    在这里插入图片描述
    【目标检测中对IoU的改进】GIoU,DIoU,CIoU的详细介绍_第9张图片

参考链接:https://blog.csdn.net/leonardohaig/article/details/103394369

你可能感兴趣的:(目标检测,目标检测,人工智能,计算机视觉,深度学习,神经网络,目标跟踪)