GIOU 附图说明

最新推荐文章于 2023-11-29 10:50:55 发布
原创 最新推荐文章于 2023-11-29 10:50:55 发布 · 924 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #人工智能

IOU是评估检测框与真实框重合度的标准，但无法反映距离信息。GIOU扩展了这一概念，其值域在[-1,1]，当两个框相距较远时，GIOU趋向于-1，更好地量化了框之间的不一致。外接矩形与并集的差值提供了额外的分离信息。

在目标检测中，常用IOU评价检测框和ground truth框的相似程度，
IOU = intersection / union.
IOU的取值范围是[0,1].

在这里插入图片描述
但是看下面这两种情况，两个目标框的距离是不一样的，这时它们的IOU都是0，反映不出来。

在这里插入图片描述

在这里插入图片描述
这时就可以用到GIOU,
GIOU的取值范围是[-1, 1], 像上面第2种情况，两个目标框相距甚远，它们的GIOU就偏向于-1.

GIOU的公式如下：

Convex shape就是上面图中包围着2个目标框的外接矩形（虚线部分的矩形）的面积。
外接矩形 - Union 就是上图中黄色的部分。
2个目标框相距越远，黄色部分的面积越大，第2项就越趋近于1，整体就会趋于-1.
在这里插入图片描述

再看一下上面第2种情况：
GIOU的计算就会变成
在这里插入图片描述

在这里插入图片描述

参考资料

giou
jacke121的专栏
11-27 2471
这两个不错，需要测试一下： https://github.com/ultralytics/yolov3 https://github.com/Peterisfar/YOLOV3 这个还没完整： https://github.com/smrutipatro8698/YOLOtrain/tree/2ad8ee5cd33277c1cad4d62df184458d55b1715c keras l...
论文笔记：GIoU
水不在深有江的博客
03-09 1万+
论文标题：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 收录于CVPR 2019 因为整体思想形式比较简单，因此笔记不做赘述。 整体来说本文提出了一个通用的trick，即用GIoU来替换bounding box回归损失函数，而GIoU可看作是对于IoU指标的一个改进。 在...
GIoU
tricoffee
12-18 314
def bbox_giou(self, boxes1, boxes2): boxes1 = tf.concat([boxes1[..., :2] - boxes1[..., 2:] * 0.5, boxes1[..., :2] + boxes1[..., 2:] * 0.5], axis=-1) b...
GIoU详解
热门推荐
景唯acr
04-14 4万+
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 蓝色 动机： Io IoU同时作为度量和损失函数时，存在两个问题: 如果两个目标没有重叠，IoU将会为０,并且不会反应两个目标之间的距离，在这种无重叠目标的情况下，如果IoU用作于损失函数，梯度为０，无法优化。 IoU无法区分...
GIoU (Generalized Intersection over Union) 详解
豆芽菜
03-07 1630
在目标检测任务中，多是采用L1或L2回归损失，回归loss相同的情况下，IoU却可能大不相同。 IoU有尺度不变性的优点，但是将其作为损失函数，由于某些方面的问题，无法直接使用。
一种基于GIoU和加权NMS改进的人脸关键点检测方法.pdf
05-13
### 一种基于GIoU和加权NMS改进的人脸关键点检测方法 #### 技术背景与创新点概述 本文介绍了一种基于广义交并比（Generalized Intersection over Union, GIoU）和加权非极大值抑制（Weighted Non-Maximum ...
python实现的Iou与Giou代码
09-18
在计算机视觉领域，IoU（Intersection over Union）和GIoU（Generalized Intersection over Union）是衡量两个边界框重叠程度的重要指标，常用于目标检测算法的评估。这两个度量可以帮助我们理解模型对目标定位的...
【GIoU loss】GIoU loss损失函数理解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 1万+
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 感谢链接 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
Giou
最新发布
03-20
### GIoU 的概念与实现 #### 定义与背景 Generalized Intersection over Union (GIoU) 是一种改进版的 IoU (Intersection over Union)，用于目标检测中的边界框回归任务。传统的 IoU 只能衡量两个矩形框重叠部分的...
CVPR2019 GIoU
zhangyifei0115
03-28 1078
CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》 论文地址： https://arxiv.org/abs/1902.09630 说在前面 这篇论文有好几个创新点，主要就是想把IoU做为Loss。然后又基于IoU做为loss存在的不足，提出了GIoU。 摘...
IOU,GIOU,DIOU,CIOU改进点
weixin_39357271的博客
10-22 180
IOU,GIOU,DIOU,CIOU
《GIoU》论文笔记
weixin_34290390的博客
03-17 348
论文链接：arxiv.org/abs/1902.09… 代码链接：github.com/generalized…   这篇论文出自CVPR2019，算是目前已被录用且公布的为数不多的目标检测相关论文了。这篇论文提出了一种优化边界框的新方式——GIoU(generalized IoU，广义IoU)。目前关于IOU的新用法真是层出不穷，从Cascade R-CNN到IOU Net再到如今的GIoU，G...
[目标检测]-图解bbox_loss的发展-MSE -＞ IOU -＞ GIOU(cvpr2019) -＞DIOU/CIOU(aaai2020)
ai_faker的博客
11-09 3551
1.MSE方式 最早的bbox_loss采用的是MSE方法 LMSE=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2 \mathcal{L}_{\text {MSE}} = (x1-x2)^2 + (y1-y2)^2 + (w1-w2)^2 +(h1-h2)^2 LMSE​=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2 这种方式计算损失值是检测框的“代理属性”—— 距离，而忽略了检测框本身最显著的性质——IoU。 计算两者的重叠占比，才是我们更加想要去优化
Generalized Intersection over Union(GIOU)论文核心思想解读笔记
qq_39027890的博客
03-01 9987
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression论文核心解读 （最近在忙于考研(20)，所以这里就放核心的思想，详细的其他，以后有时间再补充吧） 目录 Generalized Intersection over Union: A Metric and A Loss ...
GIOU翻译加自己的理解
weixin_42630613的博客
09-09 2310
文章目录1、保存设置 1、保存设置 def zipdir(path, ziph): files = os.listdir(path) for file in files: if file.endswith(".py") or file.endswith("cfg"): ziph.write(os.path.join(path, file)) if file.endswith("cfg"): os.
区分（GIOU、DIOU、CIOU）（正则化、归一化、标准化）
qq_34717531的博客
11-29 986
3、 图x3分类全部是正确的，但是看着这副图片，明显觉得过了，连人妖都区分的出来，可想而知，学习的时候需要更多的参数项，甚至将生殖器官的形状、喉结的大小、有没有胡须特征等都作为特征取用了，总而言之。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。DIoU考虑了重叠面积和中心点距离，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收敛的更快，中我们使用到的特征非常多(一般而言，机器学习的过程中，很多特征是可以被丢弃掉的)。的N特别的大，因为需要提供的特征多，或者提供的。
矩阵运算：求giou
qq_34183487的博客
08-17 378
矩阵运算：求giou import numpy as np a = np.array([[0, 0, 3, 3], [1, 1, 4, 3], [1, 1, 3, 3] ]) b = np.array([[1, 1, 4, 3], [0, 0, 3, 3], [3, 0, 4, 3] ]) 先求出最大面积， x中的最大值和最小值 y中的最大值和最小值 x_a_min = a[:,0].reshape((-1, 1)) print(‘x_a_min’, x_a_min) x_min = np.minimum
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3971
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression #--------------------------------------
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

蓝羽飞鸟

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

实付元
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