在CVPR2019中,Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression介绍了一种新的评价指标GIoU
1. 为什么要提出GIoU?
对于1-IoU作为距离度量,有四个优点:满足非负性;同一性;对称性;三角不等性
有两个缺点:无法衡量两框是相邻还是甚远;无法反映相交方式
如下图,若使用IoU评价指标,都是0.33,但对于人的直观感觉和后续的分析,效果就不同;使用GIoU可以很好的表达两个框之间的关系
2. GIoU是怎么计算的?
在论文中给出计算公式,如下图:
假设A为预测框,B为真实框,S是所有框的集合
不管A与B是否相交,C是包含A与B的最小框,C也属于S集合
首先计算IoU,A与B的交并比
再计算C框中没有A与B的面积,比上C框面积;IoU减去前面算出的比;得到GIoU
3.GIoU最主要的作用是?
对于相交的IOU可以被反向传播,即它可以直接用作优化的目标函数。但是非相交的,梯度将会为0,无法优化
此时使用GIoU可以完全避免此问题。所以可以作为目标函数
可直接优化LGIou函数
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:目标检测——CVPR2019——对GIOU的认识 - Python技术站