论文笔记:GIoU

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:

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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