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:当两个预测框高宽相同,且处于同一水平面时,GIOU就退化为IOU。
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:...
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:当两个预测框高宽相同,且处于同一水平面时,GIOU就退化为IOU。
在目标检测领域，IOU、GIOU、DIOU和CIOU等损失函数通过不断优化，提升了预测框与真实目标的匹配程度。它们的演变历程如下：最初的IOU损失函数，虽然直观反映重叠程度，但l2损失在计算时存在问题。IOU通过计算两个边界框交并比，值越接近1表示重合度越高。然而，MSE损失无法准确衡量，于是IOU损失函数应运而生...
IOU损失函数诞生于对两个边界框重合度的精准度量，通过计算两者交集面积与并集面积之比，以对数形式表达，完美捕捉了重合程度。GIOU，更全面的视角 接着是GIOU，绿色与红色的框在最小包围框中起舞。GIOU引入了包围框的面积差异，当目标完全重合时，GIOU等于1，分离时为-1，它更全面地衡量了重合度并扩...