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