GIoU、DIoU、CIoU

随着IoU Loss在目标检测领域的应用，最近有几篇典型的工作提出去改进IoU Loss，本文将依次介绍GIoU、DIoU和CIoU Loss

GIoU

优势

首先可以实现较全场景以类IoU Loss为目标直接优化，使得优化目标和最终的评估目标一致。由于IoU Loss的关键问题在于当两个物体没有交集的时候，它就退化为常数1，失去优化目标
相比于传统的回归loss，它具备尺度不变形
极限情况下，GIoU(A，B) = IoU(A, B)

核心实现

公式

GIoU(A,B)=IoU(A,B)−∣C∣−∣AUB∣∣C∣GIoU(A, B) = IoU(A, B) - \frac{|C| - |AUB|}{|C|} GIoU(A,B)=IoU(A,B)−∣C∣∣C∣−∣AUB∣
Lossgiou=1−GIoULoss_{giou} = 1 - GIoU Lossgiou=1−GIoU

Code

# 计算C
A = np.random.random([N, 4])
B = np.random.random([N, 4])
C = np.zero_like(A)
C[:, :2] = np.min(A[:, :2], B[:, :2])
C[:, 2:] = np.min(A[:, 2:], B[:, 2:])

DIoU(Distance-IoU)

Motivation

GIoU训练过程较慢，作者做的模拟实验见下图
GIoU倾向得到一个较大的bbox
GIoU 区分两个对象之间的对齐方式比较间接，仅通过引入C的方式来反应重叠的方式，不够直接。如下图所示。第二幅图展示来当GIoU一样的情况下，DIoU是不一致的（前提是，中心点重合的情况下认为拟合的最好）。

Contributions

提出了基于IoU Loss的一般性范式，这是我认为最大的贡献
提出了DIoU Loss，在IoU loss的基础上将central之间的距离作为惩罚项
在各个数据集和detector上都取得了不错的效果

Detail

范式：作为认为IoU loss应该优化的目标包括三个方面
1. 两个框之间的重合度
2. 中心点之间的距离
3. 长宽比的相似性
作者基于上述的1&&2，提出了DIoU Loss，结合1&&2&&3提出了CIoU Loss（C is complete）
DIoU Loss,定义如下所示，其中关键中心点之间距离的惩罚项的分子代表两个框中心点之间的欧式距离。分母是GIoU中矩阵C的对角线变长。分母起到了归一化的作用。
LDIoU=1−IoU+p2(b,bgt)c2L_{DIoU} = 1 - IoU + \frac{p^2(b,b_{gt})}{c^2} LDIoU=1−IoU+c2p2(b,bgt)
CIoU的定义如下所示，它在DIoU的基础上增加了对长宽比的惩罚项
v=4π2(arctanwgthgt−arctanwh)2v=\frac{4}{\pi^2}(arctan\frac{w^{gt}}{h^{gt}}-arctan\frac{w}{h})^2 v=π24(arctanhgtwgt−arctanhw)2
LCIoU=LGIoU+αvL_{CIoU} = L_{GIoU} + \alpha v LCIoU=LGIoU+αv
α=v(1−IoU)+v\alpha=\frac{v}{(1-IoU)+v} α=(1−IoU)+vv

Result

Discussion

正如文中所说，Faster RCNN的改进没有SSD和YOLO那么大，因为Faster RCNN在第二阶段的时候框基本上已经有一个较好的位置，不会出现距离GT较远的情况
可能不适应于密集场景，尤其是当两个物体本身就相聚较近的时候，central也会较近。尤其是DIoU NMS的时候会将这些物体消除。这种场景可能还是Multiple Instance Prediction效果较好。

详解GIoU、DIoU、CIoU Loss相关推荐

目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达来源:极市平台目标检测任务的损失函数由Classificitio ...
目标检测回归损失函数：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
文章目录 1. Smooth L1 Loss 1.1 假设x为预测框和真实框之间的数值差异,常用的L1和L2 Loss定义为: 1.2 上述的3个损失函数对x的导数分别为: 1.3 实际目标检测框回归 ...
IoU GIoU DIoU CIoU分析比较
IoU GIoU DIoU CIoU分析比较 IoU 1. IoU的简介及原理解析 2.IOU的应用有哪些? GIoU 1.Iou的缺陷 2.GIoU的简介及原理解析 3.GIoU的性质 DIoU & ...
IOU .GIOU.DIOU.CIOU
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 IOU .GIOU.DIOU.CIOU 一.IOU(Intersection over Union) 二.GIOU(Generaliz ...
IOU, GIOU, DIOU, CIOU
IOU IOU是用来衡量两个边界框的重叠程度的.普通的IOU也分为两种,一种是交并比,一种是最小面积与并集的比计算公式如下: 并集面积 = 面积A + 面积B - 交集面积交集面积 = 框A与框B ...
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 ...
IOU GIOU DIOU CIOU 及代码实现
总体发展过程: IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集. IOU Loss:IOU Loss = 1 -IOU(比较常用) IOU 的优点:1.能够很好的反应重合的程度 ...
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 ...
IOU GIOU DIOU CIOU
# -*- coding: utf-8 -*- # @Time : 2022/8/7 10:34 # @Author : hllyzms import mathdef euclidean_distan ...

详解GIoU、DIoU、CIoU Loss

GIoU、DIoU、CIoU详解