Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 论文

作者：Hamid Rezatofighi  Nathan Tsoi  JunYoung Gwak Amir Sadeghian  Ian Reid  Silvio Savarese

单位：Computer Science Department, Stanford University, United States

           School of Computer Science, The University of Adelaide, Australia

时间：2019.2

 

摘要

IoU是目标检测中最常见的评估指标，但是目前常用检测任务中的BBox的回归损失(MSE, l1等）优化和IoU优化不是完全等价的。故文章认为可以直接用IoU作为回归的loss。为了解决这个问题提出了GIoU的思想

如下图，相同的loss但是IoU不同，即loss并没有直接反应出预测好坏的情况。此外IoU具有对尺度不敏感的特性，但是常用的Loss函数例如l1，l2范数等却对尺度敏感，故用来做IoU回归优化的loss并不合适。

文章认为可以直接用IoU做为loss来回归优化bbox，但同时有两个主要的缺陷：

1.若预测框和bbox并不重合，那IoU=0，无法作优化

2.不同重叠情况下的IoU可能会相同，那此时其就不能反映出不同重叠情况。

文章由此提出GIoU来解决以上两个问题。GIoU具有尺度不敏感特性，以及与重叠部分有强烈相关性。将其应用到faster rcnn， yolov3等模型，可提高约1%到2%AP。   

GIoU的计算方法如上图，C是包围了A，B的最小封闭矩形。式3中除C是为了归一化

并且令lGIoU=1-GIoU，lGIoU∈[-1,1]，

当A和B重合的很好时，GIoU = IoU = 1

当A和B无重合时，GIoU = -1

详细算法过程如下：

 

 

实验结果，作者以yolov3（Darknet）为模型，分别采用默认MSE，lIoU，lGIoU为loss，并且在evaluation的时候分别采用了IoU，GIoU做为阈值，在三个数据集PASCAL VOC2007，MS COCO，MS COCO 2018上进行测似。