iou :https://www.Jian Shu.com/p/e3bf 67 CD 4459
3359 blog.csdn.net/Leonardo Haig/article/details/103394369？ UTM _ medium=distribute.PC _ relevant.none-task-blog-blogcommendfrommachinelearnpai2-1. nonecasedepth _1- -
IOU的好处：
IOU IOU可以用作距离，loss=1-IOU。但是当两个物体不相交时无回传梯度(缺陷)
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。
以a、b两个box重叠的情况为例，boxes1=[ 0，0，10，10 ]、[ 0，0，5，5 ]、boxes2=[ 0，0，10，10 ]、[ 0，0，5，5 ]
IOU的缺点：
无法测量两框是相邻还是相距较远
如下图2所示，在两种情况下IOU都为0，在(a )中两框的距离较近，在(b )中两框的距离明显较远，但是仅凭IOU的数值无法判断两者的距离是近还是远(例如
IOU并不反映两个物体是如何重叠的(相交方式)。
如下图3所示，在任何情况下IOU都为0.1428，与(a )中的(b )相比，两个框都更整齐地相交，但IOU没有反映出这个特征。
为了解决这个问题，请访问GIOU
GIOU是为了在克服IOU缺点的同时充分利用优点而被提出的
1 .假设a为预测框，b为真框，s为所有框的集合
2 .无论a和b是否相交，c都属于包含a和b的最小框(包含a和b的最小凸边框)，c也属于s集合
3 .首先计算IoU、a和b的交叉比
4 .重新计算c框无a和b的面积，比c框增加面积；
5 .获得iou减去之前计算出的比值后的GIoU
6.Note :在本文提出的例子中，a、b都是矩形框，但也可以是其他的。 例如，在a、b为椭圆形情况下，c成为包含a、b的最小椭圆形； 或者，a、b都可以是3d盒。
论文作者展示了一些GIoU的性质：
对尺度的不变性
gou被认为是IoU的下界，在IoU以下
例如，在boxes1=[ 0，0，10，10 ]，boxes2=[ 0，0，10，10 ]的情况下，IOU=1，GIOU=1，在该情况下，a与b重叠
如果boxes1=[ 0，0，10，10 ]，boxes2=[ 0，10，10，20 ]，则IOU=0，GIOU=0
boxes1=[ 0，0，10，10 ]，boxes2=[ 5，5，15，15 ]，此时IOU=0.1428，GIOU=-0.07936
-1=GIoU=1，A=B时，GIoU=IoU=1； 当a和b不相交且相距较远时，Giou(A，b )趋向-1。
例如，boxes1=[ 10，10，15，15 ]、[ 100，100，105，105 ]、boxes2=[ 5，5，10，10 ]，计算出的GIOU为[-0.5，-0.995]
因此，选择loss=1-GIoU
GIoU可以更好地对交叉情况作出反应。 如上图3所示，在两种情况下IOU一致，但在(a )中更干净地交叉，因此GIOU比(b )更GIoU最主要的作用：
)1)对于相交的盒子，IOU可以反向传播。 也就是说，它可以直接用作优化的目标函数。 但是，如果不相交，则坡度为0，无法优化。 在这种情况下，使用GIoU可以完全避免这个问题。 所以可以作为目标函数
)2)了解边框定位的方法
目前，DIOU DIoU最适合损耗计算和回归计算的优点如下：
与GIoU loss一样，即使DIoU loss不与目标框重叠，也可以为边界框提供移动方向。
2.DIoU loss可以直接最小化两个目标框之间的距离，但GIOU loss收敛得比GIOU loss快得多，因为它优化了两个目标框之间的面积。
3 .当两个盒处于水平和垂直方向时，DIoU损耗可以非常快地回归，GIoU损耗几乎退化为IoU损耗
defBboxes_diou(boxes1，boxes2) : ' ' caldiouoftwoboxesorbatchboxes 3360 param boxes 1: [ xmin，ymin，xmax，ymin . ] :param boxes2:[xmin，ymin，xmax，ymax ] : return : ' ' # cal the box ' sareaofboxes1andboxes1area 0 ) ) ) boxes1 1 ) Boxes2area=(* (Boxes2[ .2] - boxes2[ .0] ) boxes2[ .3] - boxes2[ .1] :2 (right _ down=NP.minimum (boxes1[…，2:]，boxes2[…，2:] ) inter_section=nnoxes 0.0 ) inter 0] * inter_section[，1 ) union _ area=boxes1area boxes2area-inter _ area IOUs=NP.maximum (1.0 * inter _ area/NP.finfo(NP.float32 ).eps ) calouterboxesouter _ left _ up=NP.minimum (boxes1[ .2]，boxes2[ .] 2:]，boxes2[ .2:] ) outer=NP.maximum ) outer 0.0 ) outer _ diagonal _ line=NP.square (outer (.0 1 ) ) calcenterdistanceboxes1 2: ) ) 0.5Boxes2_center=(Boxes2[ .2] boxes2[ . 2:] ) 0.5 center _ dis=NP.square boxes1NP.square (boxes1_ center [ .1]-boxes2_center[ .1] )