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 和 IoU Loss。
本文介绍giou loss。
2 问题分析
IoU Loss 存在的问题:
- 当预测框和目标框不相交时 ,IoU(A,B)=0时,不能反映A,B距离的远近,此时损失函数不可导,IoU Loss 无法优化两个框不相交的情况。
- 假设预测框和目标框的大小都确定,只要两个框的相交值是确定的,那么IoU值就相同,IoU值不能反映两个框是如何相交的。
3 GIoU Loss计算过程
GIoU Loss计算过程如下:
以上图为例,绿色框表示预测框,黑色框表示边界框,首先计算IoU:
其中, 表示:上图中的灰色阴影部分, 表示:两个矩形面积之和减去两个矩形相交的面积 ,因此IoU也可以表示为:
4 IoU和GIoU对比分析
-
算法计算过程对比:
-
图看GIoU到底解决了IoU的什么问题
5 感谢链接
https://zhuanlan.zhihu.com/p/104236411
https://blog.csdn.net/A_A666/article/details/111504851
文章出处登录后可见!
已经登录?立即刷新