CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss

点击我爱计算机视觉标星，更快获取CVML新技术

本文来自知乎“深度学习前沿”专栏，52CV获作者Slumbers授权转载。

https://zhuanlan.zhihu.com/p/57992040

本文是对CVPR2019论文Generalized Interp over Union: A Metric and A Loss for Bounding Box Regression 的解读，通过对Loss的修改提升检测任务的效果，觉得思路很棒。

该文作者来自斯坦福大学与澳大利亚阿德莱德大学。

IoU是检测任务中最常用的指标，由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等）优化和IoU优化不是完全等价的（见下图）。

而且 Ln 范数对物体的scale也比较敏感。这篇论文提出可以直接把IoU设为回归的loss。然而有个问题是IoU无法直接优化没有重叠的部分。为了解决这个问题这篇paper提出了GIoU的思想~

要将IoU设计为损失，主要需要解决两个问题：

1. 预测值和Ground truth没有重叠的话，IoU始终为0且无法优化

2. IoU无法辨别不同方式的对齐，比如方向不一致等。

GIoU

所以论文中提出的新GIoU是怎么设计的呢：

假如现在有两个任意性质 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，然后我们计算C中没有覆盖A和B的面积占C总面积的比值，然后用A与B的IoU减去这个比值：

GIoU有如下性质：

与IoU类似，GIoU也可以作为一个距离，loss可以用 

来计算

同原始IoU类似，GIoU对物体的大小不敏感

GIoU总是小于等于IoU，对于IoU，有

 GIoU则是

 在两个形状完全重合时，有

由于GIoU引入了包含A，B两个形状的C，所以当A，B不重合时，依然可以进行优化。

总之就是保留了IoU的原始性质同时弱化了它的缺点。于是论文认为可以将其作为IoU的替代。

GIoU作为BBox回归的损失

那么具体一点，如何计算损失呢？我们以2D detecation为例：

假设我们现在有预测的Bbox和groud truth的Bbox的坐标，分别记为

注意我们规定对于预测的BBox来说，有

 主要是为了方便之后点的对应关系。

作者做了一系列的实验（针对分割任务和分类任务有一定loss的调整设计，不过论文中没有详细给出）结果是IoU loss可以轻微提升使用MSE作为loss的表现，而GIoU的提升幅度更大，这个结论在YOLO算法和faster R-CNN系列上都是成立的：

项目主页：

https://giou.stanford.edu/

代码实现：

https://github.com/generalized-iou

加群交流

关注目标检测技术，欢迎加入52CV-目标检测交流群一起学习，扫码添加52CV君拉你入群，

（请务必注明:目标检测）

习惯在QQ交流的童鞋，可以加52CV官方QQ群：928997753。

（不会时时在线，如果没能及时通过验证还请见谅）

更多CV技术干货请浏览：

"我爱计算机视觉"干货集锦分类汇总(2019年1月20日)

长按关注我爱计算机视觉