目标检测中IOU GIOU DIOU CIOU的理解

已于 2024-10-29 12:59:51 修改
阅读量5.3k 收藏 24
点赞数 7
分类专栏： 深度学习 文章标签： 人工智能 深度学习
于 2020-08-24 18:49:00 首次发布
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_43868576/article/details/108204179
版权

IOU论文：link
GIOU论文：link
DIOU论文：link
CIOU论文：link

原始的IOU存在以下问题：

  1. 一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归
  2. 没有重叠，就始终为0，并且无法优化。
  3. 不能反映两框是怎么相交的

GIOU可以解决1，2这类问题，能给出梯度值，在IOU基础上加了一个惩罚项，当bbox的距离越大时，惩罚项将越大
GIOU存在的问题:
1 . 两框包含的时候，GIOU会退化成IOU
2. GIOU需要迭代很多次才能收敛

DIOU提出中心点归一化距离，可以解决这类问题
论文中提出来DIOU用于nms中，即DIOU-NMS，试验结果表明有一定的提升(改进方向！！！)

CIOU在DIOU的基础上加了一个惩罚因子，alpha*v， 这个alpha是权重函数，v用来衡量长宽比的相似性
在这里插入图片描述

对于faster rcnn来说：

  1. IOU，GIOU和DIOU性能都很好！
  2. 在medium和large物体上效果情况：GIOU has very small gain，DIOU和CIOU效果很好，CIOU尤其好(考虑长宽和中心点位效果好！)
  3. 小物体上情况：CIOU比IOU好一点点，DIOU效果好，可能原因是此时中心点比长宽更重要
    改进方向:faster rcnn+DIOU faster rcnn+CIOU

参考文献:
目标检测回归损失函数： https://zhuanlan.zhihu.com/p/104236411
各种loss的整理：https://blog.youkuaiyun.com/qq_14845119/article/details/80787753
GIOU: https://mp.weixin.qq.com/s/CNVgrIkv8hVyLRhMuQ40EA
AAAI 2020 | DIoU 和 CIoU：IoU 在目标检测中的正确打开方式: https://bbs.cvmart.net/articles/1396

IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 7552
IoU、GIoU、DIoU、CIoU四种损失函数总结
目标检测算法之损失函数（IOU、GIOU、DIOU、CIOU、EIOU）
weixin_52862386的博客
06-26 2055
CIOU是在DIOU的基础上考虑了长宽比，许多目标检测任务中，物体的长宽比相对比较固定，那么将它们考虑进损失函数中，理论上是有利于回归框收敛的。GIOU是IOU的改进方式，它在IOU的基础上，考虑了俩个框之间的位置关系，同时也解决了IOU为0时难以优化的问题。IOU是衡量俩个目标框之间重叠程度的一个指标，常用于目标检测中，用于评估预测框的准确率。IOU损失的缺点有俩个，第一个是不能描述俩个框之间的距离关系，只能描述重叠面积。对于没有交集的框，IoU 的值为 0，这会导致梯度为 0，难以优化。
IoU、GIoU、DIoU、CIoU损失函数
吴建明wujianming_110117
05-31 4615
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
NOWAY的博客
11-09 954
IOU IOU是用来衡量两个边界框的重叠程度的。普通的IOU也分为两种，一种是交并比，一种是最小面积与并集的比 计算公式如下： 并集面积 = 面积A + 面积B - 交集面积 交集面积 = 框A与框B较大的X1,Y1和框A与框B较小的X2,Y2组成的框的面积 第二种IOU在NMS种可以去除大框套小框的中的小框 但这两种IOU都存在弊端就是当预测框与真实框没有交集的时候，无论远近他的IOU都是0 无法很好的衡量我们预测框的质量，如下图所示： 在有交集的请情况下也不一定能很好的衡量预测框预测的质
IoU、GIoU、DIoU、CIoU
f9547064141的博客
06-03 709
IoU 交并比。最常见了 GIoU Ac是上图中C的面积，上式右边的含义就是C中不包含两个框的比重。 DIoU CIoU 在#DIoU 链接: 转自.
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 677
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。...
【YOLO系列】IoU、GIoU、DIoU、CIoU详细解析
m0_55908255的博客
12-23 2166
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。
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结
生命在于折腾！
09-29 3070
目标检测中目标框回归损失函数（IoU, GIoU, DIoU, CIoU）总结 1. Smooth L1 Loss 这个是 Faster-RCNN 中的损失函数。具体可以参考深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解 中相应介绍。 Smooth L1 Loss 相比 L1 和 L2 的优势可以参考 损失函数：L1 loss, L2 loss, smooth L1 loss。总结其优势就是： smooth L1和L1-loss函数的区别在于，L1-loss在0点处导数不唯一，可
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3792
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】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。
目标检测中的IoU、GIoU、DIoU与CIoU
个人学习笔记
12-14 3万+
什么是IOU？ 简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中，有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为： acc=PtrueNN=全部样本的数量，Ptrue=预测正确的样本数量 acc = \frac{P_{true}}{N} {\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量，P_{true}=预测正确的样本数量 acc=NPtrue​​N=全部样本的数量，Ptrue​=预测正确的样本数量 这个
目标检测IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
datayx的文章
01-17 2435
向AI转型的程序员都关注了这个号????????????一、简介 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。...
【深度学习小知识】目标检测中的IOU、GIOU、DIOU、CIOU、EIOU等理论解析
Leomn_J的博客
10-11 1万+
IOU、GIOU、DIOU、CIOU解析IOUIOU原理IOU LossIOU存在问题GIOUGIOU原理DIOUCIOU 首先明确IOU系列的提出原因，即衡量预测框与真实框的关系。 IOU IOU原理 图中，红色框表示为预测框，绿色表示为真实框（标注框）。IOU就是计算真实框与红色框的交并比，具体流程如下： 计算真实框与预测框的交集 计算真实框与预测框的并集 计算交并比 IOU Loss 明白IOU原理后，进一步看一下IOU loss：IOU loss 将四个点构成的bbox,作为
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 1345
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)
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
路人贾的博客
06-20 3万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
论文阅读-目标检测损失函数GIoU,DIoU,CIoU
qq_36868451的博客
12-23 8412
目标检测损失函数GIoU,DIoU,CIoU GIoU论文链接 DIoU和CIoU论文链接 1. GIoU 1.1. 问题提出 1.1.1. 范数损失的缺陷 在GIoU之前，主要是以IoU或者lnnorml_n normln​norm作为损失函数的，而这些损失函数实际上是不够精细的。也就是说，即使观感上的差距很大，损失的值也会相同。以giou论文里举出的(a)图为例： 此时以l2norml_2norml2​norm作为损失函数（也就是两对点之间的欧氏距离），为了简便起见，固定一个点不动（假设是左下角的点不
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 1
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