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

最初的基于回归的BBR损失定义为L2-norm，L2-norm损失主要有两个缺点：
1、边界框的坐标（以xt、xb、xl、xr的形式）被优化为四个独立变量。这个假设违背了对象的边界高度相关的事实。简单的分开计算每个变量的回归loss无法反映这种相关性，它会导致预测框的一个或两个边界非常接近GT，但整个边界框是不满足条件的。
2、这种形式的损失函数并不能屏蔽边界框大小的干扰，使得模型对小目标的定位性能较差。

二、IoU loss

论文:《UnitBox: An Advanced Object Detection Network》

在目标检测任务中，使用IoU来测量anchor box与目标box之间的重叠程度。它以比例的形式有效地屏蔽了边界框大小的干扰，使该模型在使用1-IoU作为BBR损失时，能够很好地平衡对大物体和小物体的学习。

IoU loss的函数定义为：

当边界框没有重叠时Liou对Wi求导会等于0，即：

此时Liou的反向投影梯度消失，在训练期间无法更新重叠区域Wi的宽度。

IoU损失会有两个主要的缺点：

1、当预测框与真实框都没有交集时，计算出来的IoU都为0，损失都为1，但是缺失距离信息，预测框与GT相对位置较近时，损失函数应该较小。
2、当预测框和真实框的交并比相同，但是预测框所在位置不同，因为计算出来的损失一样，所以这样并不能判断哪种预测框更加准确。

现有的工作GIOU、DIOU、Focal EIOU、CIOU以及SIOU中考虑了许多与边界框相关的几何因子，并构造了惩罚项Ri来解决这个问题。现有的BBR损失遵循以下范例：

三、GIoU loss

论文：《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》

为了解决IoU loss的第一个问题，即当预测框与真实框都没有交集的时候，计算出来的IoU都为0，损失都为1，引入了一个最小闭包区的概念，即能将预测框和真实框包裹住的最小矩形框

其中紫色框为GT，蓝色框为预测框，绿色的边框则为最小包围框。

GIoU的伪代码：

与IoU相似，GIoU也是一种距离度量，IoU取值[0,1]，GIoU取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度。

但是GIoU同时也存在一些问题：

1、当预测框包裹GT时，计算的iou相同，但是质量却不同，对于预测框的中心点靠近GT中心点的情况，loss应该相对小一些

GIoU loss的定义：

四、DIoU/CIoU loss

论文：《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

DIoU为了解决GIoU中存在的问题，作者认为好的检测回归loss应该考虑三个几何度量，预测框和GT框的重叠度、中心点距离、长宽比的一致性。于是在IoU loss和GIoU loss基础上引入预测框和GT框中心点距离作DIoU loss，在DIoU loss基础上引入了预测框的长宽比和GT框的长宽比之间的差异作CIoU loss。此外，将DIoU加入nms替代IoU，提升了nms的鲁棒性。

DIoU定义：

DIoU也存在一个缺点，当真实框和预测框的中心点重合时，但是长宽比不同，交并比一样，CIoU在此基础上增加一个惩罚项。

CIoU定义：

其中：

v用于计算预测框和目标框的高宽比的一致性，这里是用tan角来衡量

α是一个平衡参数（这个系数不参与梯度计算），这里根据IoU值来赋予优先级，当预测框和目标框IoU越大时，系数越大。

五、EIoU Loss/Focal EIoU Loss

论文：Focal and Efficient IOU Loss for Accurate Bounding Box Regression》

主要思想：

一是认为CIoU loss对于长宽比加入loss的设计不太合理，于是将CIoU loss中反应长宽比一致性的部分替换成了分别对于长和宽的一致性loss，形成了EIoU loss。

二是认为不太好的回归样本对回归loss产生了比较大的影响，回归质量相对较好的样本则难以进一步优化，所以论文提出Focal EIoU loss进行回归质量较好和质量较差的样本之间的平衡。

EIoU loss定义：

其中hc和wc为最小包围框的高和宽。

要平衡回归质量较好的样本的偏小loss和回归质量较差的样本的偏大loss，很自然的，选择和GT的IoU形成类似focal loss中的(1-p)的γ次方的权重来调节是一个很好的想法。

Focal EIoU loss定义：

最终形式：

指标对比：

六、SIoU loss

论文：《SIoU Loss: More Powerful Learning for Bounding Box Regression》

已有方法匹配真实框和预测框之间的IoU、中心点距离、宽高比等，它们均未考虑真实框和预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“徘徊”，最终生成更差的模型。

本文提出了一种新的损失函数SCYLLA-IoU（SIoU），考虑到期望回归之间向量的角度，重新定义角度惩罚度量，它可以使预测框快速漂移到最近的轴，随后则只需要回归一个坐标（X或Y），这有效地减少了自由度的总数。

Zhora证明了中心对准anchor box具有更快的收敛速度，并根据角度成本、距离成本和形状成本构造了SIoU。

Angle cost描述了中心点连接（图1）与x-y轴之间的最小角度，当中心点在x轴或y轴上对齐时，Λ = 0。当中心点连接到x轴45°时，Λ = 1。这一惩罚可以引导anchor box移动到目标框的最近的轴上，减少了BBR的总自由度数。

Distance cost描述了中心点之间的距离，其惩罚代价与角度代价呈正相关，当

IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）相关推荐

【IoU loss】IoU损失函数理解
文章目录 1 引言 2 问题分析 3 IoU Loss 4 代码演示IoU 5 感谢链接 1 引言目标检测任务的损失函数由Classificition Loss和Bounding Box Reger ...
yolov5 优化方法（四）修改bbox损失函数（补充EIOU,SIOU）
[参考文档]江大白的yolo解析后面会给出我的完整代码,先来分段看看! 转化格式 if x1y1x2y2: # x1, y1, x2, y2 = box1b1_x1, b1_y1, b1_x2, b ...
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU
<一文搞懂IoU发展历程>GIoU.DIoU.CIoU.EIoU.αIoU.SIoU 文章目录 <一文搞懂IoU发展历程>GIoU.DIoU.CIoU.EIoU.αIoU.SI ...
基于IOU的损失函数合集, IoU, GIoU, DIoU,CIoU, EIoU
目标检测任务的损失函数一般由 Classificition Loss(分类损失函数)和Bounding Box Regeression Loss(回归损失函数)两部分构成. Bounding ...
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系列（IoU, GIoU, DIoU, CIoU）
写在前面一.IoU (Intersection over Union) 1.1 IoU的优点 1.2 作为损失函数会出现的问题(缺点) 二.GIoU (Generalized) 三. D ...
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 ...
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 ...

IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）