[论文笔记] Generalized Intersection over Union

最新推荐文章于 2023-03-07 18:51:18 发布
最新推荐文章于 2023-03-07 18:51:18 发布
阅读量611 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 目标检测 悲惨的读论文生涯 文章标签： 目标检测 GIOU 2019CVPR
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。
本文链接：https://blog.youkuaiyun.com/qq_40079310/article/details/102405087

[论文笔记] Generalized Intersection over Union

论文链接
在这里插入图片描述

一，大纲

​ 包围框回归是2D/3D 视觉任务中一个最基础的模块，不管是目标检测，目标跟踪，还是实例分割，都依赖于对bounding box进行回归，以获得准确的定位效果。目前基于深度学习的方法想获得更好的检测性能，要么是用更好的backbone，要么是设计更好的策略提取更好的feature,然而却忽视了bounding box regression中L1、L2 loss这个可以提升的点。

​ 而在该篇论文中，作者先表明了常用的Ln LOSS没法很好地体现出regression的效果，然后分析了直接使用IOU指标(判断predict box和gt的距离的最直接的指标)作为损失函数的利弊，然后提出了改进指标GIOU并用GIoU loss替换掉了大多数目标检测算法中bounding box regression loss，最后接用实验结果证明了GIOU的优越性。

二，Ln LOSS的不足

​ 首先，IoU是目标检测中最常用的评估尺度，它是一种比值的概念&#x

最低0.47元/天 解锁文章
论文笔记：GIou（Generalized Intersection over Union）
philipwelia的博客
04-24 731
1.动机 现在大多数改进方案都是从网络框架和backbone出发 IoU 1.黑框-bbox；绿框-groundtruth 2.用右下角和左上角来表示bbox，即（x1，x2，y1，y2） 3.相同的n-范数（如l2-norm）距离，不同的IoU阈值 4.相同的IoU阈值，不同的w\h比例，具有不同的客观价值 5.随着参数增加（比如旋转），复杂度也增加→引入anchor →在优化回归损耗和IoU...
GIoU Loss（Generalized Intersection over Union Loss）损失函数解析
浩瀚之水的专栏
03-27 1030
​GIoU Loss 是IoU Loss的改进版本，旨在解决基础IoU Loss在预测框与真实框无重叠时梯度消失的问题。通过引入最小闭合区域，GIoU Loss能够有效优化非重叠框的定位，同时保持尺度不变性，广泛应用于目标检测的边框回归任务。
GIoU (Generalized Intersection over Union) 详解
豆芽菜
03-07 1471
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。
CVPR2019 | 目标检测新文：Generalized Intersection over Union
极市平台的技术博客
03-01 7982
链接 | https://mp.weixin.qq.com/s/6QsyYtEVjavoLfU_lQF1pw 作者 | ywsun 原文| https://zhuanlan.zhihu.com/p/57863810 如有兴趣可以**点击加入极市CV专业微信群**，获取更多高质量干货 论文链接 https://arxiv.org/abs/1902.00963 1.Motivation 包围框回...
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
肥羊汤
04-02 791
广义相交：边界框回归损失度量（解读）（原论文） IoU不能作为损失函数的原因: IoU在边界框与坐标轴对齐的情况下，可以用作回归损失。但是存在一种情况，当预测框与真实框不重叠的情况下，用IoU作为损失函数是不可行的。因为IoU是预测框A与真实框B的交并比，即IoU=|A∩B| / |A∪B|，如果预测框与真实框不重叠，那么A∩B=0，则IoU=0。此时继续进行迭代，剃度为0，不能优化参数，该损...
Generalized Intersection over Union:阅读笔记
清风拂面
04-19 253
会议：CVPR2019 由 a图 知 Ln范数对物体的scale不敏感，论文提出直接将IOU设为回归的loss,但iou无法直接优化没有重叠的目标，为解决这个问题，提出了GIOU的思想 GIoU 假如现在有两个任意性质 A，B，我们找到一个最小的封闭形状C，让C可以把A，B包含在内，然后我们计算C中没有覆盖A和B的面积占C...
CVPR2019:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
qq_40962619的博客
03-24 740
摘要 Intersection over Union (IoU) is the most popular evaluation metric used in the object detection benchmarks. However, there is a gap between optimizing the commonly used distance losses for regress...
目标检测系列：GIOU-Generalized Intersection over Union
qq_39382877的博客
08-05 557
Index 动机 方法 GIOU定义 GIOU算法 结果 论文：https://arxiv.org/abs/1902.09630 代码：https://github.com/generalized-iou 下班前看了下这篇论文，感觉并不难理解，有时间去试一下。 动机 这篇文章主要从损失函数出发，来改进目标检测的算法。 目前目标检测中主流的边界框优化采用的都是BBox的回归损失(MSE...
【GIoU】《Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression》
bryant_meng
07-22 570
CVPR-2019 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets6 Conclusion（own） / Future work 1 Background and Motivation 现有的 SOTA 目标检测模型，do not operate in real time and require large number of GPUs.
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 论文
c_watermelon_y的博客
03-15 408
作者：Hamid Rezatofighi Nathan Tsoi JunYoung Gwak Amir Sadeghian Ian Reid Silvio Savarese 单位：Computer Science Department, Stanford University, United States School of Computer Science, T...
【目标检测】27、GIoU：Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression
呆呆的猫的博客
06-05 3575
文章目录摘要引言 摘要 Intersection over Union（IoU）是目标检测领域应用最多的度量方式。 优化b-box的参数的回归过程所使用的损失函数和最大化度量值之间存在一定的鸿沟 二维轴心对齐的b-box情况，IoU可以直接作为回归损失 但是，IoU无法优化不重叠的b-box情况 本文通过引入一个更一般化的度量方式来作为新的loss和新的度量 本文通过将提出的 generalize........................
Generalized Intersection over Union(GIOU)论文核心思想解读笔记
qq_39027890的博客
03-01 9885
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（Generalized Intersection over Union）详解
上个大学哪有不疯的？硬撑罢了！
11-22 484
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。本文链接：https://blog.youkuaiyun.com/weixin_41735859/article/details/89288493。
论文笔记：Generalized Intersection over Union
weixin_34029949的博客
05-30 251
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression https://arxiv.org/abs/1902.09630 论文中通过提出一个新的损失函数来提升目标检测精度，思路比较新颖。 Motivation IoU是目标检测中最常用的评估尺度，它是一种比值的概念，具有scale不...
March 11- Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
weixin_39434589的博客
03-11 483
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression https://mp.weixin.qq.com/s/kJfitOheQB6VchZ_96f-nQ 看了这篇微信文章开始看了下论文的全文，对于损失函数的提出，比较有建设性意见，是出彩的地方。 论文原文下载 1. Introd...
[论文阅读]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
苏门蒲元的博客
03-16 601
分析 目标检测中，边界框回归是很重要的一个组成部分，判断一个边界框回归好坏，一般通过IOU来体现。 优化回归损失与优化IOU之间存在差距 分析一 然而在当前检测算法中，并不是直接优化IOU，而是将IOU decode成(x,y,w,h)或者边界框的两个角点(x1,y1,x2,y2)(x_1,y_1,x_2,y_2)(x1​,y1​,x2​,y2​),对这几个值进行回归，从而优化IOU，然后实际上这...
交并比ion（ intersection over union ）及优化总结
kaxiaokui的博客
03-06 1948
1.IoU IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 优点：IoU初步满足了计算两个图像的几何图形相似度的要求，简单实现了图像重叠度的计算。 缺点：无法体现两个图形之间的距离以及图形长宽比的相似性。 2.GIoU GIoU（Generalized Intersection over Union）相较于IoU多了一个‘Generali...
《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》论文详解
Michael’s Blog
03-31 542
现在在物体检测领域，通常会使用IoU(Intersection over Union)来作为一个很重要的度量指标。但是很多时候在训练网络时，采用的是l2-norm来回归检测框的，文章认为采用l2-norm来训练模型而使用IoU来衡量模型好坏，这两者之间似乎存在着某种不匹配的关系。 举个例子，如下图所示， 【图】 现假设采用左上角右下角的坐标来表示一个矩形框，即(x1,y1,x2,y2)(x_1,y...
giou论文
最新发布
03-31
### Generalized Intersection over Union (GIoU) 论文下载 关于 **Generalized Intersection over Union (GIoU)** 的研究，其原始论文由 Rezatofighi 等人在 2019 年发表，题目为 *Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression*。该论文提出了 GIoU 指标及其损失函数作为边界框回归的一种新方法，解决了传统 IoU 方法无法处理无重叠情况的问题[^3]。 #### 下载链接 以下是论文的官方下载地址： - [PDF Download](https://arxiv.org/pdf/1902.09630.pdf) 此外，斯坦福大学也提供了对该论文的部分解读文档，可以访问以下页面获取更多信息： - 官方解读：[Generalized Intersection over Union (Stanford)](https://cs.stanford.edu/people/rrezab/giou/)[^1] #### 核心概念概述 GIoU 是一种扩展的传统交并比（Intersection over Union, IoU），它通过引入最小闭包的概念来解决两个边界框完全不相交的情况下的优化问题。具体计算方式如下： 设 $A$ 和 $B$ 表示两个边界框，则 GIoU 可表示为： $$ \text{GIoU}(A, B) = \frac{\text{Area of intersection}}{\text{Area of union}} - \frac{\text{Area of } C - (\text{Area of } A \cup B)}{\text{Area of } C} $$ 其中 $C$ 是包围 $A$ 和 $B$ 的最小闭合矩形区域[^5]。 #### 实现代码示例 下面是基于 PyTorch 的简单实现代码片段用于计算 GIoU 损失： ```python import torch def generalized_iou_loss(pred_boxes, target_boxes): """ Calculate the GIoU loss between predicted boxes and ground truth. Args: pred_boxes (Tensor): Predicted bounding boxes with shape (N, 4). target_boxes (Tensor): Ground truth bounding boxes with shape (N, 4). Returns: Tensor: The computed GIoU loss value. """ # Compute areas of anchors and gt boxes area_pred = (pred_boxes[:, 2] - pred_boxes[:, 0]) * (pred_boxes[:, 3] - pred_boxes[:, 1]) area_target = (target_boxes[:, 2] - target_boxes[:, 0]) * (target_boxes[:, 3] - target_boxes[:, 1]) # Find coordinates of intersecting box inter_xmin = torch.max(pred_boxes[:, 0], target_boxes[:, 0]) inter_ymin = torch.max(pred_boxes[:, 1], target_boxes[:, 1]) inter_xmax = torch.min(pred_boxes[:, 2], target_boxes[:, 2]) inter_ymax = torch.min(pred_boxes[:, 3], target_boxes[:, 3]) # Compute overlap width heights w_overlap = torch.clamp(inter_xmax - inter_xmin, min=0) h_overlap = torch.clamp(inter_ymax - inter_ymin, min=0) # Area of overlaps and unions overlap_area = w_overlap * h_overlap union_area = area_pred + area_target - overlap_area # Compute smallest enclosing box C c_xmin = torch.min(pred_boxes[:, 0], target_boxes[:, 0]) c_ymin = torch.min(pred_boxes[:, 1], target_boxes[:, 1]) c_xmax = torch.max(pred_boxes[:, 2], target_boxes[:, 2]) c_ymax = torch.max(pred_boxes[:, 3], target_boxes[:, 3]) c_width = c_xmax - c_xmin c_height = c_ymax - c_ymin closure_area = c_width * c_height iou = overlap_area / union_area giou = iou - ((closure_area - union_area) / closure_area) return 1 - giou.mean() ```
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
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