写在前面
一、互联互通(iou )。
1.1 IoU的优势
1.2作为损耗函数出现的问题(缺点) ) ) ) ) ) ) )。
二、giou (通用)。
三.刁钻
四. CIoU
总结
请在前面沉默一会儿，磨练自己的个人能力。
做纯粹的事！
国际惯例：
声明:
本文仅供个人学习，作者能力有限，相关观点和信息仅供参考。
如果有侵权请联系我。
欢迎读者提问和交流。
我们的目标是星海！
time:2021年9月24日16:14:18
另一方面，IoU(intersectionoverunion ) 1.1 IoU的优点iou为距离的情况(例如，) )下，则是一个尺度。 因为它包含所有作为度量的属性，包括非阴性、不确定性、对称性和三角不均匀性。 IoU具有比例不变性且对比例不敏感(scale invariant )，这意味着任意两个块a和b之间的相似性与他们的空间比例无关。 除了确定正采样和负采样外，还可用于评估输出框与接地轨迹之间的距离。
1.2作为损耗函数出现的问题(缺点)如果两个框不相交，根据定义，IoU=0，不能反映两者的距离的大小(重叠度)。 另外，因为loss=0，所以没有梯度返回，不能进行学习训练。 IoU无法区分两个对象之间的对齐方式。 更准确地说，在不同方向上具有相同较差级别的两个重叠对象的IoU完全相等。
图1 .无法区分iou时的示例
如图1所示，在这种情况下，IoU相当，但无法区分。
二、giou (通用)。
对于任意两个a、b框，首先找出包裹它们的最小框c .进行计算，
计算相对于该c面积的比，从AB的IoU中减去该比得到GIoU。
图2. GIoU的最简单示例
的问题：
如果预测框和实框的对位不顺利，则最小外框c的面积变大，GIOU的值变小，但如果两个矩形框不重叠，也可以计算GIOU。 GIoU Loss解决了IOU的问题，但出现新的错误是，当两个框处于包含关系时，GIoU无法区分其相对位置。
由于GIoU仍然严重依赖IoU，在两个垂直方向误差较大，几乎难以收敛。 这就是GIoU不稳定的原因。
/p>图3. GIoU存在的问题示例
特性：
与IoU相似，GIoU也是一种距离度量。作为损失函数的话。 ,满足损失函数的基本要求。GIoU对scale不敏感。GIoU是IoU的下届，在两个框无限重合的情况下，IoU=GIoU=1IoU取值[0,1],但是GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。GIoU不仅关注重叠区域，还关注其他非重合区域。三、 DIoU针对上诉GIou的两个问题，
预测框和真实框是包含关系或者处于水平与垂直的方向上，GIoU损失几乎已退化为IoU损失。
从数学的角度来说，就是 的时候，导致收敛速度变慢。
GIoU中引入最小外界框来最大化重叠面积的惩罚项修改成最小化两个BBox中心点的标准化距离，从而加速损失的收敛过程。
DIoU的损失函数公式如下：
其中， 分别代表了预测框与真实框的中心店， 代表的是两个中心点之间的欧式距离，C代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。
DIoU Loss的惩罚项能够直接最小化中心点间的距离，而且GIoU Loss旨在减少外界包围框的面积。
DIoU与IoU,GIoU一样具有尺度不变性。
DIoU与GIoU一样在与目标框不重叠时，仍然可以为边界框提供移动方向
DIoU可以直接最小化两个目标框的距离，因此比GIoU Loss 收敛快得多
DIoU在包含两个水平或垂直方向上的情况回归很快，而GIoU几乎退化为IoU。
四、CIoUCIoU Loss和DIoU Loss的区别在于CIoU考虑了Bounding box的纵横比，进一步提升了回归进度。
CIoU的惩罚项是DIoU的惩罚基础上加了一个影响因子 , 这个因子把预测框纵横比拟合真实框的纵横比考虑进去。
惩罚项公式如下：
在 中， 是用于做trade-off的参数， 的定义如下：
是用来衡量长宽比一致性的参数，其定义如下：
完整的CIoU损失函数的公式如下:
总结
IOU、GIOU、DIOU、CIOU的对比
边界框回归的三大集合因素：重叠面积、中心点距离、纵横比
IoU: 考虑了重叠面积，归一化坐标尺度
GIoU： 考虑了重叠面积，基于IoU解决边界框不想交时loss等于0的问题。
DIoU： 考虑了重叠面积、中心点距离，基于IoU解决GIoU收敛慢的问题
CIoU： 考虑了重叠面积、中心点距离、纵横比，基于DIoU提升回归精确度
表1.不同IoU之间的优缺点对比
IOU Loss
GIOU Loss
DIOU Loss
CIOU Loss
EIOU Loss
优点
IOU算法是目标检测中最常用的指标，具有尺度不变性，满足非负性；同一性；对称性；三角不等性等特点。
GIOU在基于IOU特性的基础上引入最小外接框解决检测框和真实框没有重叠时loss等于0问题。
DIOU在基于IOU特性的基础上考虑到GIOU的缺点，直接回归两个框中心点的欧式距离，加速收敛。
CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。
EIOU在CIOU的基础上分别计算宽高的差异值取代了纵横比，同时引入Focal Loss解决难易样本不平衡的问题。
缺点
1.如果两个框不相交，不能反映两个框距离远近
1.当检测框和真实框出现包含现象的时候GIOU退化成IOU
回归过程中未考虑Bounding box的纵横比，精确度上尚有进一步提升的空间
1. 纵横比描述的是相对值，存在一定的模糊
待定
2.无法精确的反映两个框的重合度大小
2.两个框相交时，在水平和垂直方向上收敛慢
2. 未考虑难易样本的平衡问题
示例
图3. GIoU与CIoU实例对比
实际检测效果中，CIOU相比GIOU在框选目标时，能找到一个更合适的框选位置。如上图所示，第一个猫猫使用GIOU损失函数，发现有一只猫耳朵在框外，第二只猫猫使用DIOU损失函数，将猫猫的位置准确标出。