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)
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
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: