IoU(Intersection over Union) GIOU(Generalized IoU) DIoU(Distance IoU) CIoU(Complete IoU) 整体实现 IoU(Intersection over Union) IoU就是我们所说的交并比,是目标检测中最常用的指标,在anchor-based的方法中,他的作用不仅用来确定正样本和负样本,还可以用来评价输出框(predict box)和ground-truth的距离。 IoU...
二、IoU(Intersection over Union) 三、GIoU(Generalized IoU) 四、DIoU(Distance-IoU) 五、CIoU(Complete-IoU) 六、EIoU(Efficient-IoU) 七、pytorch代码实现 八、总结 一、简介 在目标检测任务中,常用到一个指标IoU,即交并比,IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方...
GIoU=IoU−|Ac−U|Ac=CA+B−C−DEGIoU=IoU−|Ac−U|Ac=CA+B−C−DE loss=1−GIoUloss=1−GIoU 与IoU相似,GIoU也是一种距离度量 GIoU的范围是[-1, 1] GIOU Loss的范围在[0, 2] GIoU是IoU的下界,在两个框无限重合的情况下,IoU=GIoU=1 与IoU只关注重叠区域不同,GIoU不仅关注重叠...
相比于IoU,GIoU考虑了目标框的几何形状,不仅考虑它们的重叠部分,还考虑它们之间的空隙。 GIoU的值范围为[-1, 1],当预测框完全包含真实框时,GIoU值为1,当预测框与真实框完全不相交时,GIoU值为-1。 缺点:计算略为复杂,且当两个框完全没有交集时,仍然可能存在较大的惩罚。3...
当IOU=0时: 当IOU为0时,意味着A与B没有交集,这个时候两个框离得越远,GIOU越接近-1;两框重合,GIOU=1,所以GIOU的取值为(-1, 1]。 GIOU作为loss函数时: 当A、B两框不相交时 不变,最大化GIoU就是最小化C,这样就会促使两个框不断靠近。
(1)DIoU loss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。 (2)对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快。 (3)DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和有效。 缺点: ...
DIoU loss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。 对于包含两个框在水平方向和垂直方向上这种情况,DIoU损失可以使回归非常快,而GIoU损失几乎退化为IoU损失。 DIoU还可以替换普通的IoU评价策略,应用于NMS中,使得NMS得到的结果更加合理和...
GIOU-loss 问题分析 当预测框和真实框不相交时Iou值为0,导致很大范围内损失函数没有梯度。针对这一问题,提出了Giou作为损失函数。 算法公式及其解释:其实想法也很简单(但这一步很难):假如现在有两个box A,B,我们找到一个最小的封闭形状C,让C可以把A,B包含在内,然后再计算C中没有覆盖A和B的面积占C总面积...
GIOU损失函数的最终表达形式是L(GIOU) = 1 - GIOU 上表是原论文中的实验效果:第一列(AP-IoU一列)采用MSE(l2损失)的mAP=0.461,采用IoU损失得到的mAP=0.466,有些许提升。如果采用GIoU loss,能达到0.477,效果比IOU更好。 但是,GIOU也存在它的缺点:...
IoU，即交并比，是目标检测中的核心评估指标，尤其在基于锚点的方法中，它不仅用于区分正负样本，还能衡量预测框与真实框的匹配度。其计算公式为[公式]或[公式]。IoU值范围从0到1，完全重合时为1，无重叠时为0。进一步发展，GIOU（Generalized IoU）引入了最小闭包区域的概念，通过计算预测框与真实框的非...