论文笔记：GIoU

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1.2w 收藏 13
点赞数 4
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。
本文链接：https://blog.youkuaiyun.com/stezio/article/details/88367440
论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》提出GIoU，它是IoU的改进版，用于解决传统回归损失的尺度不变性问题。GIoU在IoU为0时能提供更多信息，并且是IoU的下界，具有更好的相交情况反应。实验表明GIoU作为损失函数效果更优。

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

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。
在作者介绍提出的方法前指出了传统回归损失的缺点：

  • 在相同的L1,L2距离下IoU和GIoU可能会有很大的区别(如下图)(个人以为这一点不太有说服力，因为相同的IoU和GIoU下，L1,L2距离也会有区别)
  • 基于L1,L2距离的loss对于尺度不具有不变性。(这一点倒是挺重要的。YOLO3中对于w，h进行开方处理，就是为了缓解这个问题)
    在这里插入图片描述
    原因如下：
  • 当IOU(A,B)=0时，不能得知A,B互相邻近或者相距较远。
  • IoU不能反映两个物体如何重叠。

比如
在这里插入图片描述

同时IoU仍然有一些优点：

  • IoU可以作为距离，loss=1-IoU。但是当两个物体不相交时无回传梯度。
  • IoU对尺度变化具有不变性，即不受两个物体尺度大小的影响。

因此作者想克服这些缺点同时充分利用优点，因此提出GIoU。
GIoU定义如下：

最低0.47元/天 解锁文章

200万优质内容无限畅学
giou
jacke121的专栏
11-27 2456
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...
GIoU
tricoffee
12-18 282
def bbox_giou(self, boxes1, boxes2): boxes1 = tf.concat([boxes1[..., :2] - boxes1[..., 2:] * 0.5, boxes1[..., :2] + boxes1[..., 2:] * 0.5], axis=-1) b...
iou与giou
weixin_42058525的博客
11-02 2449
衡量目标检测定位性能的主要指标是交并比iou，我们在设计损失函数的时候通常是使用mse等损失函数来优化模型对目标的定位结果，但是这类损失函数并不能够良好的反应定位精度。 对iou的认识：可以反应预测检测框与真实框的检测效果，有一个很好的特性是尺度不变性也就是对尺度不敏感，在回归任务重判断predict box和gt的距离最直接的指标就是iou（满足非负性，同一性，对称性，三角不等性）。作为损失函数会出现的问题是：如果两个框没有相交根据定义iou=0，不能反应两者之间的距离大小，同时loss=0，没有梯度回
《论文翻译》 GIOU
寂寞的小乞丐
10-14 436
目录广义交并比-GIOU(回归检测的一种指标和Loss)注释1. 摘要2. 介绍3. 相关工作4. 广义交并比5. GIOU作为目标检测的LOSS6. 实验结果7. 个人理解单词汇总广义交并比-GIOU(回归检测的一种指标和Loss) 注释 本系列《论文翻译》仅代表个人观点 目的提高英文阅读能力 错误之处较多，欢迎读者修正，在此感谢 1. 摘要   目标检测的评价指标最常使用的是交并比进行度...
Generalized Intersection over Union(GIOU)论文核心思想解读笔记
qq_39027890的博客
03-01 9891
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 ...
论文笔记：GIou（Generalized Intersection over Union）
philipwelia的博客
04-24 737
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损失论文笔记
weixin_39558227的博客
12-09 783
文章目录 Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 代码 Giou能够优化那些完全没有相交的框（IOU损失做不到） l2损失的缺点 如上图a所示 三者的l2损失相同，但是iou相差巨大，因为如果利用的是l2损失，bbox的信息其实就是用左上角和右下角坐标信息来代表的。...
论文笔记：Overlap Sampler for Region-Based Object Detection
水不在深有江的博客
03-07 638
摘要中指出，现在的采样方法只着眼于样本与GT之间的IOU，而忽视了正负样本之间的IOU。如此会导致一些低质量的预测。 motivation 对于这种情况，作者称那些与正样本有较高IOU的负样本会在NMS过程中错误地抑制正样本。 作者在文中将样本选取分为两类:loss-based和IOU-based。然而在loss-based处引用了focal loss和OHEM。感觉这里有失偏颇。正负样本的选...
论文笔记：目标检测正负样本划分方法Adaptive Training Sample Selection (ATSS)原理
qq_40268412的博客
06-25 1384
论文名称：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 论文地址：https://arxiv.org/abs/1912.02424 代码地址：https://github.com/sfzhang15/ATSS   该篇论文是CVPR2020收录的论文，论文探讨了目标检测中Anchor-base和Anchor-free方法的实质差异，并提出了Ada.
GIOU:Generalized Intersection over Union 论文解读
ff007_ok的博客
03-20 898
作者没有对网络结构进行改进，反而是从一个特殊的视角来考虑目标检测的改进点——使用基于IOU的度量来代替传统回归的损失。想法新颖，论文讲解很详细，被CVPR2019收录。作者的主要贡献是： 提出了IOU的通用版本——GIOU，作为比较两个任意形状的新指标； 提供了将GIOU作为二维坐标框对齐时的loss方案； 主要在Faster/Mask RCNN与YOLO v3上面进行试验，证明在two-s...
GIoU论文笔记
lt1103725556的博客
05-20 993
结论：提出了新的评价指标GIoU——广义交并比，以及以GIoU为基础的GIoU Loss Motivation： IoU对于没有交集的两个box始终=0，这样对应紧挨着临近的和距离无限远的两种情况就没有区别，同时计算Loss时没有交集就没有梯度回传，于是希望能同时考虑到没有交集时的情况 公式： GIoU=IoU-(最小外接矩形面积-并集面积)/最小外接矩形面积(1) GIoU Loss = 1 - GIoU(2) IoU Loss = 1 - IoU(3) 可以看到`z ...
GIoU详解
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 1512
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 GIoU
zhangyifei0115
03-28 1044
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
heroacool的专栏
03-03 335
非常好的介绍 https://zhuanlan.zhihu.com/p/94799295
[论文]CVPR2019论文GIoU解读
行云
06-12 3971
本文是对 CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》的解读： 论文地址：https://arxiv.org/abs/1902.09630 1.Motivation 包围框回归是2D/3D 视觉任务中一个最基础的模块，不管...
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 4万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
GIOU 附图说明
蓝羽飞鸟的博客
01-11 895
GIOU解说
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
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 2
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