目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss —> IoU Loss —> GIoU Loss —> DIoU Loss —> CIoU Loss，本文按照此路线进行讲解。
1. Smooth L1 Loss
- 本方法由微软rgb大神提出，Fast RCNN论文提出该方法
1.1 假设x为预测框和真实框之间的数值差异，常用的L1和L2 Loss定义为：
1.2 上述的3个损失函数对x的导数分别为：
从损失函数对x的导数可知：
- L1损失函数对x的导数为常数1，在训练后期，x很小时，如果learning rate 不变，损失函数会在稳定值附近波动，很难收敛到更高的精度(正常逻辑是，误差接近0时，导数也接近0)。
- L2损失函数对x的导数在x值很大时，其导数也非常大，在训练初期不稳定。
- smoothL1完美的避开了L1和L2损失的缺点,可谓是取二者精华去其糟粕。
1.3 实际目标检测框回归任务中的损失loss为
其中
表示GT 的框坐标， 
表示预测的框坐标，即分别求4个值的loss，然后相加作为Bounding Box Regression Loss。
三种loss的曲线图如图所示，可以看到Smooth L1相比L1的曲线更加的Smooth
L1和L2和smoothL1的图像
缺点：
- 上面的三种Loss用于计算目标检测的Bounding Box Loss时，独立的求出4个点的Loss，然后进行相加得到最终的Bounding Box Loss，这种做法的假设是4个点是相互独立的，实际是有一定相关性的
- 实际评价框检测的指标是使用IOU，这两者是不等价的，多个检测框可能有相同大小的 Loss，但IOU可能差异很大，为了解决这个问题就引入了IOU LOSS。
2. IoU Loss
- 本文由旷视提出，发表于2016 ACM
2.1 通过4个坐标点独立回归Building boxes的缺点：
- 检测评价的方式是使用IoU,而实际回归坐标框的时候是使用4个坐标点，如下图所示，是不等价的；L1或者L2 Loss相同的框，它们的IoU并不一定相同。
- 通过4个点回归坐标框的方式是假设4个坐标点是相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性
- 基于L1和L2的距离的loss对于尺度不具有不变性
图(a)中的三组框具有相同的L2 Loss，但其IoU差异很大；图(b)中的三组框具有相同的L1 Loss,但IoU同样差异很大，说明：
- L1,L2这些Loss用于回归任务时，不能等价于最后用于评测检测的IoU.
- 基于L1和L2范数的度量下，距离相同的两个框框，实际IoU值可能相差很远。
2.2 基于此提出IoU Loss,其将4个点构成的box看成一个整体进行回归：
上图中的红色点表示目标检测网络结构中Head部分上的点（i,j），绿色的框表示Ground truth框, 蓝色的框表示Prediction的框。IoU loss的定义如上图中所示，
- 先求出2个框的IoU，然后再求个-ln(IoU)，实际很多是直接定义为IoU Loss = 1 - IoU
- 其中IoU是真实框和预测框的交集和并集之比，当它们完全重合时，IoU就是1，那么对于Loss来说，Loss是越小越好，说明他们重合度高，所以IoU Loss就可以简单表示为 1 - IoU。
IoU Loss 前项推理时的算法实现方式：
- xt,xb,xl,xr分别是上下左右，具体参见上面的一幅图.
附录:论文链接：https://arxiv.org/pdf/1608.01471.pdf...
3 GIoU Loss（Generalized Intersection over Union）
- 发表于CVPR2019
3.1 IoU Loss 有2个缺点：
- 当预测框和目标框不相交时，IoU(A,B)=0时，不能反映A,B距离的远近，此时损失函数不可导，IoU Loss 无法优化两个框不相交的情况。
- 预测框和真实框IoU值相同时，IoU值不能反映两个框是如何相交的(角度、方向等)。
下图中，三种不同相对位置的框IOU值却是相同的,IoU=0.33值，但是它们的GIOU值不同，分别为GIoU=0.33，0.24，-0.1。当框的对齐方向更好一些时GIoU的值会更大。
GIoU的实现方式如上，其中C为A和B的外接矩形。用C减去A和B的并集除以C得到一个数值，然后再用框A和B的IoU减去这个数值即可得到GIoU的值。
GIoU的性质
- • GIoU和IoU一样，可以作为一种距离的衡量方式，
- • GIoU具有尺度不变性
- • 对于 ,有 且 ,因此 当 时，两者相同都等于1，此时 等于1
- • 当 不相交时，
附录：
- • 论文链接：https://arxiv.org/abs/1902.09630...
- • github链接：https://github.com/generalized-iou/g-darknet...
- • 参考链接：目标检测算法之CVPR2019 GIoU Loss
结论和启发：
本文提出了GIoU Loss，最终单阶段检测器YOLO v1涨了2个点，两阶段检测器涨点相对较少（RPN的box比较多，两个框未相交的数量相对较少）
4. DIoU Loss
- • 本文发表在AAAI 2020
GIoU Loss不足
当目标框完全包裹预测框的时候，IoU和GIoU的值都一样，此时GIoU退化为IoU, 无法区分其相对位置关系；此时作者提出的DIoU因为加入了中心点归一化距离，所以可以更好地优化此类问题。
启发点:
基于IoU和GIoU存在的问题，作者提出了两个问题：
- • 第一：直接最小化预测框与目标框之间的归一化距离是否可行，以达到更快的收敛速度。
- • 第二：如何使回归在与目标框有重叠甚至包含时更准确、更快。
好的目标框回归损失应该考虑三个重要的几何因素：重叠面积，中心点距离，长宽比。基于问题一，作者提出了DIoU Loss,相对于GIoU Loss收敛速度更快，该Loss考虑了重叠面积和中心点距离，但没有考虑到长宽比；针对问题二，作者提出了CIoU Loss，其收敛的精度更高，以上三个因素都考虑到了。
Distance-IoU Loss
- • 通常基于IoU-based的loss可以定义为 ，其中 定义为预测框 和目标框 的惩罚项。
- • DIoU中的惩罚项表示为 ，其中 分别表示 的中心点， 表示欧式距离， 表示 的最小外界矩形的对角线距离，如下图所示。可以将DIoU替换IoU用于NMS算法当中，也即论文提出的DIoU-NMS,实验结果表明有一定的提升。
- • DIoU Loss function定义为：
上图中绿色框为目标框，黑色框为预测框，灰色框为两者的最小外界矩形框，d表示目标框和真实框的中心点距离，c表示最小外界矩形框的距离。
DIoU的性质：
- • 尺度不变性
- • 当两个框完全重合时， ,当2个框不相交时
- • DIoU Loss可以直接优化2个框直接的距离，比GIoU Loss收敛速度更快
- • 对于目标框包裹预测框的这种情况，DIoU Loss可以收敛的很快，而GIoU Loss此时退化为IoU Loss收敛速度较慢
5. CIoU Loss
Complete-IoU Loss
- • CIoU的惩罚项是在DIoU的惩罚项基础上加了一个影响因子 ，这个因子把预测框长宽比拟合目标框的长宽比考虑进去。 ，其中 是用于做trade-off的参数， ， 是用来衡量长宽比一致性的参数，定义为
- • CIoU Loss function的定义为
DIoU和CIoU的提升效果
上表中左边是用5种不同Boudning Box Regression Loss Function的对比，右边是以IoU和GIoU来计算的2种Evaluation的结果；GIoU相对IoU会有2.49点提升，DIoU相对IoU会有3.29点提升，CIoU会有大概5.67点提升，CIoU结合DIoU-NMS使用效果最好，大概会有5.91点提升。
结论：
DIoU Loss和CIoU Loss优化了GIoU Loss的不足，实验证明效果有进一步提升，代码已开源，非常推荐工程上去尝试。
附录：
- • 论文地址：https://arxiv.org/pdf/1911.08287.pdf...
- • github地址： https://github.com/Zzh-tju/DIoU-darknet...
6. 后续
本文给大家介绍了目标检测任务中的Bounding Boxes Regression Loss Function的发展演进，后续给大家介绍 Classification Loss 的发展演进，例如Binary Cross Entropy Loss, AUC Loss, focal Loss, GHM Loss, AP Loss等。
参考文献：
- • [1]FastR-CNN （Smooth L1 Loss; 201509）
- • [2]UnitBox: An Advanced Object Detection Network （IoU Loss；201608）
- • [3]Generalized Intersection over Union: A Metric and ALoss for Bounding Box Regression （GIOU Loss;CVPR2019）
- • [4]Distance-IoU Loss:Faster and Better Learning for Bounding Box Regression（DIOU Loss & CIoU Loss ; CVPR2019）
编辑于 2020-02-01
标签：GIoU,Loss,IoU,DIoU,L1,CIoU 来源： https://blog.csdn.net/chen1234520nnn/article/details/118525518
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。