IOU、GIOU、DIOU、CIOU

最新推荐文章于 2024-11-24 09:47:53 发布
最新推荐文章于 2024-11-24 09:47:53 发布
阅读量290 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： python 目标检测
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.youkuaiyun.com/qq_38973721/article/details/112809074
本文深入探讨了在目标检测中常用的IoU（Intersection over Union）、GIoU（Generalized IoU）、DIoU（Distance IoU）和CIoU（Complete IoU）四种度量标准，解释了它们的计算原理和差异，并分析了它们在优化目标框预测时的作用。通过这些度量，可以更准确地评估检测算法的性能。

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

IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 7595
IoU、GIoU、DIoU、CIoU四种损失函数总结
【YOLO系列】IoU、GIoU、DIoU、CIoU详细解析
m0_55908255的博客
12-23 2215
IoU能够反映框与框之间的实际重叠质量，而不仅仅是数值上的距离差异（IoU的值在0~1之间，越靠近0说明重叠程度越低，越靠近1说明重叠程度更高，而MSE计算box损失时如果预测框与真实框差距很大的话，数值可能是无限的，范围是。：MSE主要关注框的位置和大小，不关心预测框与真实框的重叠程度，因此在预测框和真实框之间的重叠较少时，bbox定位损失项也可能很小，导致模型优化方向不准确。上图两个预测框与真实框的IoU都为0，但显然是预测框1的预测效果比预测框2更好的（因为预测框1与真实框。
DIoU论文笔记
weixin_39558227的博客
12-22 2431
论文链接 文章目录重要观点关于IOU和GIoU一些方法将来可能用到DIoU和CIouDiouCIouBP细节使用Diou来作为NMS的方法 重要观点 1.GIoU和IoU损失收敛速度慢 回归不精确 2.本文提出一种Diou加入了预测box和targetbox之间的归一化距离并且总结了box回归中的三种几何参数：重叠面积，中心点距离和纵横比。同时Diou也能用于NMS中去。 3.GIoU的缺点，虽...
DIOU
Major_S的博客
03-10 1386
DIOUDIOUDIOU
DIoU
fanre的专栏
03-17 419
DIou和CIoU
weixin_43489950的博客
05-01 820
https://zhuanlan.zhihu.com/p/104236411
IoU、GIoU、DIoU、CIoU、EIoU、αIoU
m0_50127633的博客
10-02 881
如下图，三个红框的面积相同，但是长宽比不一样，红框与绿框中心点重合，这时三种情况的DIoU相同，证明DIoU不能很好的区分这种情况。DIoU损失是同时考虑包围盒的重叠面积和中心点距离，但没有考虑包围框的纵横比，因此CIoU在DIOU的基础上，考虑边界框宽高比的尺度信息。通过合并预测框和目标框之间的归一化距离来实现，它在训练中的收敛速度比IoU和GIoU损失快得多。EIoU是在CIoU的惩罚项基础上将预测和真实框的纵横比的影响因子拆开，分别计算预测框和真实框的长和宽，来解决CIoU存在的问题。
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 679
发展过程： IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集。 IOU Loss： 或者 IOU Loss = 1 －IOU(比较常用) IOU 的优点： 1.能够很好的反应重合的程度 2.具有尺度不变性 缺点： 当不相交时候loss为0 （IOU Loss = 1 - IOU） GIOU 如图绿色边界框为真实的边界框，红色边界框为网络预测的边界框，蓝色边界框为用最小的矩形把两个边界框给框住。 = 蓝色目标边界框面积。...
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU
weixin_44287997的博客
11-05 1889
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU 联言命题 2020-02-23 21:36:37 ...
IoU、GIoU、DIoU、CIoU损失函数
吴建明wujianming_110117
05-31 4623
IoU、GIoU、DIoU、CIoU损失函数 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是 一、IOU(Intersection over Union) 特性(优点) IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法。作用不仅用来确定正样本和负样本，还可以用
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3805
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 #--------------------------------------
目标检测中的b-box回归损失函数(IOU，GIOU，DIOU，CIOU)
木盏
03-11 7302
目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1. 确定目标大概位置；2. 分类出目标类别；3. 回归出检测框的宽高； 这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。 1. IOU 全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好，作为调整模型的指导。 原文链接：[1608.01471] UnitBox: An Advance
IOU、GIOU、DIOU、CIOU详解及代码实现
qq_52302919的博客
01-13 1万+
一、IOU Loss 旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。 文章链接：https://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。IOU满足非负性
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 1万+
目标检测常用边界框IOU对比
IOU、GIOU、DIOU、CIOU对比
qq_43470534的博客
02-22 1367
IOU就是我所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正负样本，还可以用来评价输出框（predict box）和ground-truthd的距离。1.他可以反映预测检测框和真实检测框的检测效果2.尺度不变性，也就是对尺度不敏感，在regression任务中，判断predict box和gt的距离最直接的指标就是IOU(满足)
详解各种iou损失函数的计算方式（iou、giou、ciou、diou）
热门推荐
lovep1的博客
03-09 2万+
本文主要是理解各个回归损失函数的区别和改进，其实最主要的还是这些损失函数在yolo中起到了非常大的作用，包括从最原始的yolov3中引入，到v4、v5中变成真正的官方损失函数，确实很有效。本文将逐条分析这些损失函数，并不会按照论文结构来描述。
目标检测中的预测框回归优化之IOU、GIOU、DIOU、CIOU和EIOU
哆啦A梦爱学习的博客
03-16 1万+
点击上方“码农的后花园”，选择“星标”公众号精选文章，第一时间送达目标检测分为：目标分类+目标定位两个任务。目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度......
目标检测中的IOU损失集合
zcc的博客
05-28 3295
1. IOU 即为交并比，图像如下。 可以想当然的把IOU当作训练的Loss， 比如Loss = 1 - IOU， 当两个物体越接近为同一个物体时候，则IOU越接近1，则loss越小。这样模型就可以通过不断降低loss来使得模型得出更好的预测结果。 缺点： 1）当两个框不相交的时候，IOU=0， Loss = 1 - IOU =1， 将梯度传回，当两个框相距较远时候，调整预测框的位置，其IOU也等于0，这样会导致预测框经过多次调整后Loss还是等于1，这样网络需要很多次迭代（随机尝试），才有..
IoU已经out了，试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
deephub
11-24 4752
GIoU、DIoU和CIoU这三个变体都有各自的独到之处,它们在一定程度上弥补了普通IoU在处理不重叠、距离较远或形状差异较大的边界框时的不足。这些新的指标不仅仅给出一个量化的分数,它们的各项组成部分还能告诉我们,预测结果好坏的原因究竟是什么。虽然本文主要聚焦在训练阶段,但请注意,这些指标实际上可以用于所有三个场景:训练、评估和推理。所以建议在所有场合都使用CIoU,但在评估时,可能还需要一些时间来建立对其数值的直观理解。
er-IoU系列(IoU,GIoU,DIoU,CIoU,EIoU,SIoU,WIoU,MPDIoU,ShapeIoU)
最新发布
03-15
### 不同类型的IoU指标定义与区别 #### 1. **交并比 (Intersection over Union, IoU)** IoU 是一种用于衡量两个边界框重叠程度的标准方法。其计算方式为预测框和真实框的交集面积除以它们的并集面积[^1]。 公式如下： \[ IoU = \frac{A_{pred} \cap A_{gt}}{A_{pred} \cup A_{gt}} \] 其中 \(A_{pred}\) 表示预测框区域，\(A_{gt}\) 表示真实框区域。 --- #### 2. **广义交并比 (Generalized Intersection over Union, GIoU)** GIoU 扩展了传统 IoU 的概念，在处理不相交的情况时表现更好。它通过引入最小闭包的概念来改进 IoU 计算。 公式如下： \[ GIoU = IoU - \frac{C - (A_{pred} \cup A_{gt})}{C} \] 这里 \(C\) 是能够覆盖 \(A_{pred}\) 和 \(A_{gt}\) 的最小矩形区域。 --- #### 3. **距离交并比 (Distance-IoU Loss, DIoU)** DIoU 进一步优化了目标检测中的定位精度问题，除了考虑重叠部分外，还加入了中心点之间的欧几里得距离以及包围盒的比例关系。 公式如下： \[ DIoU = IoU - \frac{\rho^2(B,B^{GT})}{c^2} \] 其中 \(\rho^2(B,B^{GT})\) 是预测框和真实框中心点的距离平方，而 \(c\) 则是最小封闭矩形对角线长度。 --- #### 4. **完全交并比 (Complete-IoU Loss, CIoU)** CIoU 继承了 DIoU 的优点，并额外加入了一个比例因子项，用来调整宽高比的影响，从而进一步提升回归性能。 公式如下： \[ CIoU = IoU - \left( \frac{\rho^2(B,B^{GT})}{c^2} + v \cdot \alpha(v)\right) \] 这里的 \(v=\frac{(ar)^2-(ar^{*})^2}{(ar)^2+(ar^{*})^2}\)，表示宽高比差异；\(\alpha(v)=\frac{v}{(1-\text{IoU}+\epsilon)}\) 控制权重平衡。 --- #### 5. **扩展交并比 (Enhanced-IoU Loss, EIoU)** EIou 主要针对旋转框设计，不仅关注位置偏差，也注重角度误差带来的影响。 具体实现细节可参考相关论文或开源项目代码。 --- #### 6. **形状交并比 (Shape-IoU, SIoU)** SIoU 更加专注于边界框的方向性和几何特性匹配度评估，适用于复杂场景下的对象检测任务。 --- #### 7. **加权交并比 (Weighted-IoU, WIoU)** WIoU 考虑到不同类别间的重要性可能有所不同，因此引入权重机制使得某些类别的误检代价更高。 --- #### 8. **多视角方向交并比 (Multi-Perspective Directional IoU, MPDIoU)** MPDIoU 结合多个视角的信息综合判断目标的位置及姿态信息，适合于三维空间内的物体检测应用场合。 --- #### 9. **形态学交并比 (Morphological Perceptual Distance IoU, ShapeIoU)** 此版本强调的是两幅图像之间像素级相似性的测度而非单纯基于边界的比较。 --- ```python import torch def iou_loss(pred_boxes, gt_boxes): """Basic IoU loss implementation.""" # Compute areas of pred and ground truth boxes. area_pred = ... area_gt = ... # Calculate intersection areas between preds & gts. inter_area = ... union_area = area_pred + area_gt - inter_area return 1 - (inter_area / union_area) # Example usage with PyTorch tensors. if __name__ == "__main__": pred = torch.tensor([[...]]) # Predictions as tensor. target = torch.tensor([[...]]) # Ground truths as tensor. loss_value = iou_loss(pred, target) print(f"IoU Loss Value: {loss_value.item()}") ``` 上述代码片段展示了如何利用 PyTorch 实现基本形式的 IoU 损失函数[^2]。 ---
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

小鹏AI

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