【Round1】IOU,GIOU和loss

MachineLearning MachineLearning总结

参考：
https://zhuanlan.zhihu.com/p/94799295

1、问题

边框回归在本质上用的还是L1或者L2loss,其中，$x_i是预测值，\hat{x_i}是label$：

$l1 = \sum_{i=1}^{N}|\hat{x_i}^-x_i|$
$l2 = \sum_{i=1}^{N}(\hat{x_i}^-x_i)^2$

我们的目标是最小化这两个loss，使得预测框和GT框尽可能重合。是否重合的标准为IOU。

但是，我们发现当不同的预测框和GT框，IOU不同的时候，他们的LOSS也有可能相同。

这就很不好了。

2、方案1：IOU-loss

设A为预测框，B为GT框

$IOU=\frac{A∩B}{A∪B}$

很自然的想到，让IOU直接加入loss，于是有：

$L_{iou}=1-IOU$

但是，预测框和GT框没有交集，即IOU=0的时候，上述loss无法产生梯度进行回传，这会让模型无法更新，从而陷入假死状态。

因此，为了解决上述问题，引入了GIOU的概念。

3、方案2：GIOU-LOSS

引入一个凸多边型C，为包含预测框A和GT框B的最小凸多边形。

那么有：
$GIOU=IOU-\frac{C-A∪B}{C}$
$L_{GIOU}=1-GIOU$