背景中介绍了许多基于Anchor-Based的目标检测算法，它们的Loss一般采用bbox和ground truth bbox的L1范数、L2范数计算位置回归Loss。 但是，在评价时使用IOU (交叉比)判断是否检测出了目标。 很明显，这两者并不完全等价，论文列举了Figure 1作为例子：
图中第一行，所有目标的L1 Loss都相同，但第三个IOU明显大于第一个，第三个检测结果似乎也优于第一个。 第二行也一样，所有目标的L1 Loss也一样，但IOU有区别。 因此，用bbox和ground truth bbox的L1范数、L2范数计算位置回归Loss，和在评价时用IOU (正交比)判断是否检测到目标是有限的，两者不等价。 因此，有一种将IOU直接作为Loss来优化任务的直观想法，但这有两个问题。
如果长方体bbox和地面真迹bbox不重叠，IOU将始终为0，并且预计无法优化。 也就是说损失函数失去了导出的性质。 IOU无法分辨方向不一致等不同方式的对准。 如下图所示，可以看到三种方式具有相同的IOU值，但空间完全不同。
因此，为了解决上述两个问题，GIoU在这篇论文中提出了GIoU。 GIOU是指，假设目前有任意两个bbox A和b，找到最小的闭合形状c，以便c可以将a和b包围在无限的石头中。 然后，计算c中未复盖a和b的面积占c总面积的比例，并从a和b的IOU值中减去该比。 具体流程由以下算法1表示。
GIoU与IoU相比具有以下性质。
和IoU一样，GIoU也可以用作距离。 然后，损失可以用以下公式计算。 [式]与原始IoU一样，GIoU对物体的尺度大小不敏感，为[比]、[式]，所以[式]在预测bbox A和ground truth bbox B时，GIoU引入了包含a、b两个框的c 对于二维图像的目标检测，GIoU Loss具体怎么计算GIoU Loss？ 假设当前预测的bbox和ground truth bbox坐标分别表示为：
其中。 然后，计算Loss的具体过程可以表示为：
实验论文给出了一些实验结果，[对分割任务和分类任务有一定的loss调整设计，但论文没有详细说明]结果表明，IoU loss可以稍微提高使用MSE作为loss的表现，GIoU的提高幅度更大具体实验结果如下
使用PASCAL VOC 2007上YOLOv3的测试结果。 美联储上涨了约2个百分点。
用YOLOv3在MS COCO上进行测试，关注分类损失和精度(平均IoU值)，可以看出GIoU loss提高了精度。
使用Faster-RCNN在PASCAL VOC 2007中的测试结果，用于坐标回归损失的L1损失。 美联储上涨了约1个百分点。
使用Mask-RCNN在MS COCO 2018上的测试结果，用于坐标回归损失的L1损失。 美联储上涨了不到1个百分点。
附录
译文： https://arxiv.org/abs/1902.09630
开放源代码： https://github.com/generalized-iou/g-darknet
AlexAB版Darknet支持giouloss:https://github.com/Alexey ab/darknet/blob/master/CFG/yolo v3.coco-giou-12.CFG
文章： https://庄兰.智惠.com/p/63389116
结论
这篇论文以IOU为文章提出了GIoU Loss，最终YOLO V3上升了2分，像Faster RCNN、MaskRCNN这样的上升分变少了。 推测原因在于Faster RCNN。 MaskRCNN本身的Anchor很多，很少不完全一致。 由此，GIOU和IOU Loss没有明显的差异，所以提高不太明显。