做网站开源,徐州网站建设外包,传统行业网站建设,html+jsp个人网站模板这里简单记录下IOU及其衍生公式。 为了拉通IOU及其衍生版的公式对比#xff0c;以及方便记忆#xff0c;这里用一个统一的图示来表示出所有的参数 【#xff21;】目标框的区域【#xff22;】预测框的区域【#xff23;】#xff21;与#xff22;的交集【#xff… 这里简单记录下IOU及其衍生公式。 为了拉通IOU及其衍生版的公式对比以及方便记忆这里用一个统一的图示来表示出所有的参数 【】目标框的区域【】预测框的区域【】与的交集【】与的并集 AB-C【】与的最小外接矩形框【】最小外接框内非重叠的区域 E - D【】中心到中心的欧式距离【】的对角线距离 将IOU的衍生公式要当做损失函数时其损失函数为 IOU loss 1 − IOU \text{IOU loss}1-\text{IOU} IOU loss1−IOU IOU 公式 IOU C D \text{IOU} \frac{C}{D} IOUDC优点 优化了原有的L1 lossL2 loss和Smooth L1 loss这三个loss都是基于独立的点来进行计算的。直观的反映预测检测框与真实检测框的检测效果。判断Predbox 和GTbox的距离最直接的指标。 缺点 如果两个框没有相交C0不能反映A与B的距离。此时损失函数不可导没有梯度回传loss无法优化两个框不想交的情况。IoU无法精确的反映两者的重合度大小。如下图所示三种情况IoU都相等但看得出来他们的重合度是不一样的左边的图回归的效果最好右边的最差。 GIOU 提出 在CVPR2019中论文Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 的提出了GIoU的思想。公式 GIOU C D − F E \text{GIOU} \frac{C}{D}-\frac{F}{E} GIOUDC−EFIOU越大的同时非重叠区域占比越小此时两个框越贴合。优点 加入了非重叠区域的影响改善了IOU的计算过程在A和B不相交时可以进行学习训练 缺点 当目标框A 和 检测框 B 完全互相包含时F0即GIOU退化为IOU。此时无法区分A与B的相对位置无法进行有效的学习 DIOU 提出于 Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression公式 GIOU C D − d L \text{GIOU} \frac{C}{D}-\frac{d}{L} GIOUDC−Ld用对角距离把检测框和预测框的中心点距离进行归一化。在IOU值相同时两个框的中心点归一化距离越小代表预测框和目标框的更贴合。 IOU越大的同时中心点归一化距离越近此时两个框越贴合。优点 DIOU Loss可以直接最小化两个目标框的距离比GIOU收敛的更快。对于GIOU的缺点即目标框包裹预测框的这种情况DIOU Loss可以使回归非常快而GIOU Loss几乎退化为IOU Loss。 缺点 框的长宽比指标没有考虑如图9所示当IOU值和两个框的中心点距离一样时即检测框中心点在以目标框中心点为圆心半径相同的圆弧上时DIOU没办法区分。 CIOU 公式 CIOU C D − d F − α v v 4 π 2 ( a r c t a n ( w g t h g t ) − a r c t a n ( w p r e d h p r e d ) ) \text{CIOU} \frac{C}{D}-\frac{d}{F}-\alpha v \\ v\frac{4}{\pi^2}(arctan(\frac{w^{gt}}{h^{gt}})-arctan(\frac{w^{pred}}{h^{pred}})) CIOUDC−Fd−αvvπ24(arctan(hgtwgt)−arctan(hpredwpred))解释加入了长宽比相似性的指标 α \alpha α 是权重系数在论文里有相关计算 是两个框长宽比指标的相似性计算。 通俗意思是在IOU值和中心点距离值相同时两个框的长宽比指标越相似说明预测框与目标框的对比效果越好。优点添加了长宽比的惩罚项使得评估更加准确。缺点CIOU Loss涉及到反三角函数在计算的过程中会消耗一定的算力整体训练时间会慢一点。
