giou论文笔记

giou论文笔记

URL: https://arxiv.org/abs/1902.09630

IoU是检测任务中经常用的指标,根据公式IoU是比值,对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等)优化和IoU优化不是完全等价的. 可以参考图 image|394x500

iou主要有两个困难:

  1. 预测值和Ground truth没有重叠的话,IoU始终为0且无法优化
  2. IoU无法辨别不同方式的对齐,比如方向不一致,但是iou有可能相等.

giou的提出及解释

giou的计算方式如下, image|542x160 其中C是整个最外围的区域,这样算出的iou在[-1,1]之间. 而且根据这个公式,上次和吴晶晶讨论在atom中的iounet如果换成了giou的话,编译的代码部分不需要做改动.

  • giou 的性质
    1. 与IoU类似,GIoU也可以作为一个距离,loss可以用 ` [L_{GIoU} = 1 - GIoU]` 来计算
    2. 同原始IoU类似,GIoU对物体的大小不敏感
    3. GIoU总是小于等于IoU,对于IoU,有 [GIoU = IoU = 1],GIoU则是 [GIoU = IoU = 1]。在两个形状完全重合时,有 [GIoU = IoU = 1]
    4. 由于GIoU引入了包含A,B两个形状的C,所以当A,B不重合时,依然可以进行优化。

打赏,谢谢~~

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码打赏,多谢支持~

打开微信扫一扫,即可进行扫码打赏哦