【目标检测】CVPR2019 GIoU

论文链接： Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

背景&问题：

IoU是目标检测领域用来衡量目标是否精确定位的指标。我们用L1、L2 loss回归得到bbox，计算IoU。但是目前的方案存在如下问题：

1. L1 L2 Loss不能准确度量IoU是否回归正确：不同IOU对应相同的L1/L2 Loss

2. IoU对旋转不敏感（垂直图像投影平面的旋转）

3. IoU对det和gt检测框不重合的情况无法优化

解决方案：使用广义的IoU，即GIoU：

$$A、B是我们的det和gt的bbox，C是他们的矩形闭包$$

$$\begin{gathered} GIoU=IoU-\frac{|C \\ (A\cup B)|}{|C|} \end{gathered}$$

$$L_{GIoU}=1-GIoU$$

GIoU优势

• 保留IoU的特性
• 对解决垂直图像投影平面的旋转不敏感问题
  

效果

• YOLOv3

• Faster-RCNN
  

• MaskRCNN
  

展望

还有一些问题

• 其他方向处理不了，比如警察绕原地转圈