目标检测中的损失函数:IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss

文章介绍了目标检测任务中常用的IOULoss、GIOULoss、DIOULoss和CIOULoss,这些改进版的损失函数通过考虑更多几何因素,如重叠、中心点距离和长宽比,提高模型对目标位置和形状的精确度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


前言

之前在项目中存在目标检测框内嵌的情况(目标检测框存在内嵌情况分析与解决),正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。


1.IOU_Loss(Intersection over Union Loss)

IOU_Loss是目标检测任务中广泛使用的损失函数,其主要思想是通过计算预测框和真实框的交并比(IOU)来衡量两个框之间的重叠程度,并将其作为损失进行优化。
在这里插入图片描述

公式
在这里插入图片描述
其中,A为两框交集,B为两框并集;

可以看到IOU_Loss其实很简单,主要是交集/并集,但其实也存在两个问题。
在这里插入图片描述
问题1:即状态1的情况,当预测框和目标框不相交时,IOU=0,无法反应两个框距离的远近,此时损失函数不可导,IOU_Loss无法优化两个框不相交的情况。

问题2:即状态2和状态3的情况,当两个预测框大小相同,两个IOU也相同,IOU_Loss无法区分两者相交情况的不同。

2.GIOU_Loss(Generalized Intersection over Union Loss)

GIOU_Loss是对IOU_Loss的改进,考虑了预测框和真实框之间的边界框面积不同的情况,引入了一个修正因子,使其更加准确。
在这里插入图片描述

公式
GIOU_LOSS=1−IoU+GIoU
GIoU=

其中,B为两框并集,C为能够包围两个框的最小外接矩形框的面积。

可以看到上图GIOU_Loss中,增加了相交尺度的衡量方式,缓解了单纯IOU_Loss时的尴尬。但为什么仅仅说缓解呢?因为还存在一种不足:
在这里插入图片描述
问题:状态1、2、3都是预测框在目标框内部且预测框大小一致的情况,这时预测框和目标框的差集都是相同的,因此这三种状态的GIOU值也都是相同的,这时GIOU退化成了IOU,无法区分相对位置关系。

3.DIOU_Loss(Distance Intersection over Union Loss)

DIOU_Loss在GIOU_Loss的基础上引入了框心点之间的距离,进一步考虑了两个框之间的位置关系,使得损失函数更加全面。
在这里插入图片描述

公式
在这里插入图片描述
其中,Distance_2为两框中心点的欧式距离,Distance_C为最小外接矩形框的对角线距离。

DIOU_Loss考虑了重叠面积中心点距离,当目标框包裹预测框的时候,直接度量2个框的距离,因此DIOU_Loss收敛的更快。

但就像前面好的目标框回归函数所说的,没有考虑到长宽比。
在这里插入图片描述
比如上面三种情况,目标框包裹预测框,本来DIOU_Loss可以起作用。

但预测框的中心点的位置都是一样的,因此按照DIOU_Loss的计算公式,三者的值都是相同的。

4.CIOU_Loss(Complete Intersection over Union Loss)

CIOU_Loss是对DIOU_Loss的进一步改进,考虑了宽高的比率对损失的影响,使得损失函数更具鲁棒性。

公式
在这里插入图片描述

其中, v是衡量长宽比一致性的参数,wg,hg是真实框的宽和高,wp,hp是预测框的宽和高。

这样CIOU_Loss就将目标框回归函数应该考虑三个重要几何因素:重叠面积、中心点距离,长宽比全都考虑进去了。


总结

IOU_Loss作为传统的衡量标准,为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息,如目标框的形状和相对位置等,从而使得模型更加准确地学习目标的位置和形状。

参考文档:
https://zhuanlan.zhihu.com/p/143747206

如果阅读本文对你有用,欢迎关注点赞留言收藏呀!!!
2023年12月4日20:03:02
在这里插入图片描述

### GIoU Loss 的概念与实现 Generalized Intersection over Union (GIoU) 是一种改进版的 IoU 损失函数,用于目标检测中的边界框回归任务。传统的 IoU 只能计算两个边界框重叠区域的比例,但在预测框真实框完全不相交的情况下,传统 IoU 将返回零值,无法提供梯度信息来优化模型[^1]。 GIoU 解决了这一问题,通过引入包围两框最小闭包区域的概念,在非重叠情况下也能给出有意义的损失值。其定义如下: #### 数学表达 设 \( A \) \( B \) 表示预测框真实框,则 GIoU 定义为: \[ GIoU = IoU - \frac{C - union(A, B)}{C} \] 其中, - \( C \): 包含 \( A \) \( B \) 的最小闭包矩形面积; - \( union(A, B) \): 预测框真实框的并集面积。 GIoU 不仅考虑了重叠部分,还衡量了未覆盖的部分相对于闭包区域的比例,从而提供了更全面的距离度量。 #### 实现代码 以下是基于 PyTorch 的 GIoU 损失函数实现: ```python import torch def giou_loss(pred_boxes, target_boxes): """ 计算 Generalized IoU 损失 参数: pred_boxes: Tensor of shape (N, 4), 预测框坐标格式为 [x1, y1, x2, y2] target_boxes: Tensor of shape (N, 4), 真实框坐标格式为 [x1, y1, x2, y2] 返回: 平均 GIoU 损失 """ # 边界框参数解构 pred_x1, pred_y1, pred_x2, pred_y2 = pred_boxes[:, 0], pred_boxes[:, 1], pred_boxes[:, 2], pred_boxes[:, 3] target_x1, target_y1, target_x2, target_y2 = target_boxes[:, 0], target_boxes[:, 1], target_boxes[:, 2], target_boxes[:, 3] # 计算交集宽高 inter_x1 = torch.max(pred_x1, target_x1) inter_y1 = torch.max(pred_y1, target_y1) inter_x2 = torch.min(pred_x2, target_x2) inter_y2 = torch.min(pred_y2, target_y2) # 处理无交集情况 inter_area = torch.clamp(inter_x2 - inter_x1, min=0) * torch.clamp(inter_y2 - inter_y1, min=0) # 计算各自面积 pred_area = (pred_x2 - pred_x1) * (pred_y2 - pred_y1) target_area = (target_x2 - target_x1) * (target_y2 - target_y1) # 计算并集面积 union_area = pred_area + target_area - inter_area + 1e-7 # 计算 IoU iou = inter_area / union_area # 计算最小闭包矩形 enclose_x1 = torch.min(pred_x1, target_x1) enclose_y1 = torch.min(pred_y1, target_y1) enclose_x2 = torch.max(pred_x2, target_x2) enclose_y2 = torch.max(pred_y2, target_y2) # 计算闭包矩形面积 enclose_area = (enclose_x2 - enclose_x1) * (enclose_y2 - enclose_y1) + 1e-7 # 计算 GIoU giou = iou - ((enclose_area - union_area) / enclose_area) # 返回平均损失 return 1 - giou.mean() ``` 上述代码实现了 GIoU 损失函数的核心逻辑,并支持批量输入处理。它适用于深度学习框架下的目标检测任务,能够有效提升模型性能。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI小笔记

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值