1 引言

目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。

Bounding Box Regression Loss Function的演进路线是：
Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss

之前写到了Smooth L1 Loss，本文介绍IoU Loss。

2 问题分析

Iou loss提出前，大家主要通过4个坐标点独立回归Bounding box(bbox，边界框)，这样做的缺点有：

目标检测的评价方式是使用IoU，而实际回归坐标框的时候使用4个坐标点，二者是不等价的，如下图所示；
L1或者L2 Loss相同的框，其IoU 不是唯一的
通过4个坐标点回归坐标框的方式，是假设4个点相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性
基于L1和L2的距离的loss对于尺度不具有不变性

图(a)中的三组框具有相同的L2 Loss，但其IoU差异很大；
图(b)中的三组框具有相同的L1 Loss,但IoU 同样差异很大。
说明L1,L2这些Loss用于回归任务时，不能等价于最后用于评测检测的IoU。

3 IoU Loss

针对上面的问题，旷世在2016年提出IoU Loss，将4个点构成的box看成一个整体进行回归。

上图展示了L2 Loss和IoU Loss 的求法，图中的红色点表示目标检测网络结构中Head部分上的点(i, j)，绿色的框表示Ground truth框, 蓝色的框表示Prediction的框。

IoU loss的定义如上，先求出2个框的IoU，然后再求-ln(IoU)。其中IoU是真实框和预测框的交集和并集之比，当它们完全重合时，IoU就是1。

对于Loss来说，越小越好，loss越小说明他们重合度高。所以，IoU Loss也可以写为1-IoU。

IoU loss能够更好的反应重合程度，具有尺度不变形。但当框不相交，使用1-IoU作为loss时，loss为0。

4 代码演示IoU

import cv2
import numpy as npdef CountIOU(RecA, RecB):xA = max(RecA[0], RecB[0])yA = max(RecA[1], RecB[1])xB = min(RecA[2], RecB[2])yB = min(RecA[3], RecB[3])# 计算交集部分面积interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1)# 计算预测值和真实值的面积RecA_Area = (RecA[2] - RecA[0] + 1) * (RecA[3] - RecA[1] + 1)RecB_Area = (RecB[2] - RecB[0] + 1) * (RecB[3] - RecB[1] + 1)# 计算IOUiou = interArea / float(RecA_Area + RecB_Area - interArea)return iouimg = np.zeros((512,512,3), np.uint8)
img.fill(255)# 分别是矩形左上、右下的坐标
RecA = [30,30,300,300]
RecB = [60,60,350,340]cv2.rectangle(img, (RecA[0],RecA[1]), (RecA[2],RecA[3]), (0, 255, 0), 5)
cv2.rectangle(img, (RecB[0],RecB[1]), (RecB[2],RecB[3]), (255, 0, 0), 5)IOU = CountIOU(RecA,RecB)
font = cv2.FONT_HERSHEY_SIMPLEXcv2.putText(img,"IOU = %.2f"%IOU,(130, 190),font,0.8,(0,0,0),2)cv2.imshow("image",img)
cv2.waitKey()
cv2.destroyAllWindows()

5 感谢链接

https://zhuanlan.zhihu.com/p/104236411

【IoU loss】IoU损失函数理解相关推荐

NeurIPS 2021 助力YOLOv5涨点 Alpha-IoU：IoU Loss大一统
经过测试,代码与Yolov5基本一致, 模型也是14m,精度没有大幅明显提升. Alpha-IoU:A Family of Power Intersection over Union Losses f ...
L1/L2/smooth_l1_loss/center_loss+Dice Loss+focal loss+各种IOU loss+kl散度
一．L1/L2/smooth_l1_loss/center_loss公式与代码 1.公式 L2公式: smooth_L1公式: 2.三种函数numpy代码实现 import numpy as np i ...
α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统
点击上方"计算机视觉工坊",选择"星标" 干货第一时间送达作者丨 ChaucerG 编辑丨集智书童在本文中,作者将现有的基于IoU Loss推广到一个新的P ...
IoU loss 系列
目录 IoU 之前 IoU loss GIoU loss DIoU & DIoU NMS CIoU IoU 之前 IoU loss提出前,大家主要通过4个坐标点独立回归Bounding box ...
【Smooth L1 Loss】Smooth L1损失函数理解
文章目录 1 引言 2 L1 Loss 3 L2 Loss 4 Smooth L1 Loss 5 曲线对比分析 6 参考链接 1 引言目标检测任务的损失函数由Classificition Loss和 ...
目标检测算法——YOLOv5/YOLOv7改进|将IOU Loss替换为EIOU Loss
>>>深度学习Tricks,第一时间送达<<< 论文题目:<Focal and Efficient IOU Loss for Accurate Boundin ...
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
边界框回归(BBR)的损失函数对于目标检测至关重要.它的良好定义将为模型带来显著的性能改进.大多数现有的工作假设训练数据中的样本是高质量的,并侧重于增强BBR损失的拟合能力. 一.L2-norm 最初 ...
【GIoU loss】GIoU loss损失函数理解
文章目录 1 引言 2 问题分析 3 GIoU Loss计算过程 4 IoU和GIoU对比分析 5 代码实现IoU与GIoU的对比可视化 6 感谢链接 1 引言目标检测任务的损失函数由Classif ...
IoU Loss汇总
IoU Loss 论文 UnitBox: An Advanced Object Detection Network 解决的问题用\(l_{2}\) loss作为边框回归loss的两个缺点: 在\(l ...

【IoU loss】IoU损失函数理解

文章目录