[CVPR2019]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

本文深入解析了GIoU(Generalized Intersection over Union)作为目标检测中BBox回归的Loss函数原理。通过对比IoU,介绍了GIoU如何通过引入额外的区域概念,更准确地衡量预测框与真实框之间的差距,从而提升模型的回归性能。

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

  • IoU和GIoU作为Loss的具体公式
    GIoU很容易理解,就多了一个两个BBox所占最大面积A1,与并集的区别在于多算了不属于BBox的一部分面积A2,就用A2除以A1,得到一个比例P1,paper中的意思是这个比例代表预测BBox与真实BBox的回归效果,效果也好比值越低,最后用传统的IoU减去P1得到GIoU。
    IoU和GIoU作为Loss
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
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