GIoU Loss

参考文献：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

GIoU是源自IoU的一种边框预测的损失计算方法，在目标检测等领域，需要对预测边框（pre BBox）与实际标注边框（ground truth BBox）进行对比，计算损失。在Yolo算法中，给定预测值与ground truth的 x\y\w\h 进行预测，采用回归损失。但实际上，回归损失并不是该问题的最好损失函数，因为其只关注 x\y\w\w 对应的“距离”，而本质上我们想要得到 IoU 值比较大的预测框，两者联系并不大。那么为什么不直接采用IoU值作为损失函数呢？因为一旦预测框与真实框不相交，那么IoU都为0，也就是说，在很大的范围内（不相交的区域），损失函数是没有梯度的，因此才有了GIoU Loss（Generalized Intersection over Union）。

1 为什么基于距离的损失函数不行？

如上图所示，在基于L1和L2范数的度量下，距离相同的两个框框，实际IoU值可能相差很远，所以说，这类损失函数在预测边界框时并不是一个好的选择！

2 GIoU的定义

其中：C代表包围A、B的最小体积（或面积），A、B是啥形状，C就是啥形状，你懂的； |C(A U B)| 为 C - (A U B)

性质：

     1) 当IoU值为1时，GIoU 为 1，即|A U B| = |A ∩ B|；2) Iou为0时，GIoU<=0;3) -1<= GIoU <=1;4) GIou <= IoU;

英文原文：For two arbitrary convex shapes (volumes) A, B ⊆ S ∈Rⁿ, we first find the smallest convex shapes C ⊆ S ∈ Rⁿenclosing both A and B. For comparing two specific types of geometric shapes, C can be from the same type. For
example, two arbitrary ellipsoids, C could be the smallest ellipsoids enclosing them. Then we calculate a ratio between the volume (area) occupied by C excluding A and B and divide by the total volume (area) occupied by C. This represents a normalized measure that focuses on the empty volume (area) between A and B. Finally GIoU is attained by subtracting this ratio from the IoU value.

Similar to IoU, GIoU as a distance, e.g. LGIoU = 1 − GIoU, holding all properties of a metric such as non-negativity, identity of indiscernibles, symmetry and triangle inequality.
Similar to IoU, GIoU is invariant to the scale of the problem.
GIoU is always a lower bound for IoU, i.e. ∀A, B ⊆ S GIoU(A, B) ≤ IoU(A, B), and this lower bound becomes tighter when A and B have a stronger shape

GIoU作为损失函数

可见计算GIoU损失的方式其实就是计算GIoU，只不过最终结果返回的时1-GIoU。这是因为1-GIoU的取值范围在[0,2]上，且有一定的“距离”性质，即两个框重叠区域越大，损失越小，反之越大。

写在最后：

本文是对作者原文的总结，如有疑问，欢迎讨论。

GIoU Loss 损失函数浅析相关推荐

【GIoU loss】GIoU loss损失函数理解
文章目录 1 引言 2 问题分析 3 GIoU Loss计算过程 4 IoU和GIoU对比分析 5 代码实现IoU与GIoU的对比可视化 6 感谢链接 1 引言目标检测任务的损失函数由Classif ...
GIOU loss+DIOU loss+CIOU loss
一.IOU 1.GIOU解决没有交集的框,IOU为0,其损失函数导数为0,无法优化的问题. 图1 GIOU,IOU,l2范数差异 a)可看出 l2值一样,IOU值是不一样的,说明L1,L2这些Loss ...
目标检测算法之CVPR2019 GIoU Loss
目标检测算法之CVPR2019 GIoU Loss 首先说一下GIOU的计算方式: 然后计算C \ (A ∪ B) 的面积与C的面积的比值,注:C \ (A ∪ B) 的面积为C的面积减去A∪B的面积 ...
pytorch 区间loss 损失函数
pytorch 区间loss 损失函数我们知道sigmoid可以把值转化为0-1之间. tanh函数可以把值转化到[-1,1]之间, 但是在回归时,希望梯度是均匀的,有么有别的方法呢? 答案是肯定的 ...
Keras框架下的loss损失函数
在Keras框架中有如下几种loss损失函数: ①mean_squared_error或mse:均方误差是反映估计量与真实量之间差异程度的期望值,常被用于评价数据的变化程度,预测数据的精确度. ②me ...
神经网络训练解决loss、validation loss(损失函数)波动或不收敛问题
神经网络训练解决loss.validation loss(损失函数)波动或不收敛问题 1.没有对数据进行预处理.数据分类标注是否准确?数据是否正确对应标签或者是否有错误数据? 2.将数据进行归一化.将 ...
Focal Loss损失函数（超级详细的解读）
什么是损失函数? 1.什么是损失呢? 在机器学习模型中,对于每一个样本的预测值与真实值的差称为损失. 2.什么是损失函数呢? 显而易见,是一个用来计算损失的函数.它是一个非负实值函数, ...
剖析Focal Loss损失函数：消除类别不平衡+挖掘难分样本 | CSDN博文精选
作者 | 图像所浩南哥来源 | CSDN博客论文名称:< Focal Loss for Dense Object Detection > 论文下载:https://arxiv.org/ ...
[人工智能-深度学习-14]：神经网络基础 - 常见loss损失函数之逻辑分类，对数函数，交叉熵函数
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...

GIoU Loss 损失函数浅析