g10代码详解,giorgio

通用化身份验证： ametricandalossforboundingboxregression一、动机：在目标检测任务中，如果回归loss相同，则IoU可能会有很大不同

如下图(a )所示，3张图具有相同的L2距离，但IoU值完全不同。 坐标的表示方法为(x1、y1、x2、y2 )。

图(b )为L1距离。 坐标表示方法中，x、y、w、h )、x、y为中心点坐标。

IoU有尺度不变性的优点，但是将其作为损耗函数，在几个方面存在问题，所以不能直接使用。

二、IoU的优点：以IoU为距离的情况(例如： liou=1ioul _ { iou }=1- iou liou=1iou ) ) ) ) )下，是一个度量。 因为它包含所有作为度量的属性，如非阴性、不确定性对称性和三角不均匀性。 IoU具有尺度不变性，这意味着任意两个区块a和b的相似性与他们的空间尺度无关。 三. IoU作为测量和损耗的函数同时使用时，存在两个问题。如果两个目标不重叠，则IoU变为0，对两个目标之间的距离没有反应。 在这种无重叠目标的情况下，如果将IoU用作损耗函数，则梯度将为0，并且无法优化。 IoU无法区分两个对象之间的对齐方式。 更确切地说，在不同方向上具有相同相交级别的两个重叠对象的IoU完全相等。

四、本文的主要贡献：以GIoU为比较任意两条界线的尺度。 使用GIoU作为两个轴对齐矩形的损失提供了分析解。 将GIoU损耗添加到最流行的目标检测算法中，如Faster R-CNN、Mask R-CNN和YOLO v3 )，在标准目标检测标准下表现出了提高的性能。 五、GIoU:对任意两个a、b框，首先找到包裹它们的最小框c。 然后，计算c((a(b )的面积相对于c的面积之比，注： c((a(b )的面积是从c的面积减去a(b的面积而得到的) . 从a、b的IoU值中减去该比得到GIoU。

以GIoU为测量值时的性能：以GIoU为距离时，LG iou=1gio ul _ { giou }=1- gioulgiou=1g iou，非阴性、不确定性、对称性及三角不均匀性。 尺度不变。 GIoU只是IoU的下限，giou(a，b ) giou(a，b )。 a、b的形状相似且接近时，lImabgIou(a、b )=I

o U ( A , B ) lim_{A→B}GIoU(A,B) = IoU(A,B) limA→B​GIoU(A,B)=IoU(A,B).
-1 ≤ GIoU(A,B) ≤ 1。A,B完全重合时，GIoU(A,B) = IoU(A,B) = 1. (A∪B)/C→0 时，也就是A∪B的面积相对于C可很小很小时，GIoU收敛于-1.GIoU考虑到了 IoU 没有考虑到的非重叠区域，能够反应出 A,B 重叠的方式。
GIoU:

IoU和GIoU做为边框损失函数时的算法流程：

B p B^p Bp:预测框　　　　　　 B g B^g Bg:ground truth　　　　　 B c B^c Bc:最小包围框
A p A^p Ap:预测框面积　　　　 A g A^g Ag:ground truth面积

输入预测框的 ( x 1 , y 1 , x 2 , y 2 ) 值 (x_{1},y_{1},x_{2},y_{2})值 (x1​,y1​,x2​,y2​)值和 ground truth 的 ( X 1 , Y 1 , X 2 , Y 2 ) (X_{1},Y_{1},X_{2},Y_{2}) (X1​,Y1​,X2​,Y2​)值。将预测值排序：使得 x 2 > x 1 , y 2 > y 1 x_{2}>x_{1},y_{2}>y_{1} x2​>x1​,y2​>y1​。分别计算预测框的面积 A p A^p Ap和 ground truth 的面积 A g A^g Ag。计算两者交集的面积 I .找出最小包围框 ( x c 1 , y c 1 , x c 2 , y c 2 ) (x_{c1},y_{c1},x_{c2},y_{c2}) (xc1​,yc1​,xc2​,yc2​).计算IoU,GIoU计算 L I o U L_{IoU} LIoU​， L G I o U L_{GIoU} LGIoU​ 六、实验结果

所有对比实验中(网络：Faster R-CNN，Mask R-CNN and YOLOv3 / 数据集：PASCAL VOC, MS COCO)，加过IoU损失和GIoU损失的mAP都在原来的基础得到了提升，在此不一一分析。下图为检测效果图，从左往右分别为 L G I o U L_{GIoU} LGIoU​, L I o U L_{IoU} LIoU​ ,网络原来的损失函数。实线为ground truth，虚线为预测框。