IoU GIoU DIoU CIoU分析比较

最新推荐文章于 2024-09-07 21:23:29 发布

原创最新推荐文章于 2024-09-07 21:23:29 发布 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#IoU #FCN论文复现 #目标检测

FCN论文复现专栏收录该内容

1 篇文章

订阅专栏

本文介绍了目标检测中常用的IoU及其改进版本GIoU、DIoU和CIoU的概念与原理。IoU（交并比）是衡量预测边界框与实际边界框重合程度的指标，在非极大值抑制和计算平均精度方面发挥重要作用。GIoU解决了IoU无法区分边界框距离的问题，DIoU和CIoU进一步引入了中心点距离和长宽比因素，提高了回归训练效率。

IoU

1. IoU的简介及原理解析

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。
在这里插入图片描述
IOU其满足度量的四个标准：非负性、对称性、同一性及三角不等式。IOU具有尺度不变性。

2.IOU的应用有哪些？

IOU（Intersection over Union）是目标检测任务中非常常见的，IOU在目标检测中应用有：
进行NMS（非极大值抑制）：当在图像中预测有多个proposals、pred bboxes时，因为预测的结果中可能存在高度冗余（即一个目标可能会被预测出多个目标检测框），因此需要过滤掉一些彼此间高度重合的结果。具体操作流程是先对各个bbox的score（分类）进行降序排序，再通过设置的IOU阈值，剔除掉与得分高的bbox有高重合度的低分框。IOU设置的越大，表示剔除难度越高，最后剩余的bbox越多，而IOU设置的越小，则表示剔除难度越小，剔除力度就越大，最后剩余的bbox就越少。
计算mAP：得到检测算法的预测结果后，需要对pred bbox与gt一起评估检测算法的性能，最常用的指标就是mAP。这时候，IOU常常被用于计算pred bbox与gt之间的重合度以度量bbox位置预测的准确度得分，然后通过设置的一系列阈值，依据分数和阈值来划分TP和FP，并计算得到一系列阈值设置下的（precision,recall）对，进而计算出mAP。
IOU经过改良后，也可以用来计算loss，通过反传梯度的方式优化网络参数。

GIoU

1.Iou的缺陷

IOU的主要缺点是，如果A和B的交集为空，无法度量A和B是离得很近还是离得非常远。

2.GIoU的简介及原理解析

论文：https://arxiv.org/abs/1902.09630
代码：https://github.com/generalized-iou/g-darknet
在这里插入图片描述
C是A和B的最小凸包。凸包：形象的解释，就是在桌面上钉上很多钉子，如果用橡皮筋将所有钉子在外围包起来，那么这个橡皮筋的围成的就是一个凸包。