提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一、IOU(Intersection over Union)

IoU就是交并比，也可以直观的认为是边框与真实框的重合度。是目标检测中最常用的指标，在anchor-based方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。

IoU = |A∩B|/|A∪B|

1.可以反映出预测检验框与真实检测框的检验效果；
2.还有一个很好的尺度特性就是尺度不变形，也就是对尺度不敏感，在regression任务中，判断predict box 和gt的距离最直接的指标就是iou。（满足非负性；同一性；对称性；三角不等性）

缺点：

---

二、GIOU(Generalized Intersection over Union)

原文链接：
https://arxiv.org/pdf/1902.09630.pdf
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，而且 Ln 范数对物体的scale也比较敏感，IoU无法直接优化没有重叠的部分。这篇论文提出可以直接把IoU设为回归的loss。

---

三、DIoU(Distance-IoU)

https://arxiv.org/pdf/1911.08287.pdf
DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。与GIoU loss类似，DIoU loss（ [公式] ）在与目标框不重叠时，仍然可以为边界框提供移动方向。
DIoU loss可以直接最小化两个目标框的距离，因此比GIoU loss收敛快得多。
对于包含两个框在水平方向和垂直方向上这种情况，DIoU损失可以使回归非常快，而GIoU损失几乎退化为IoU损失。
DIoU还可以替换普通的IoU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。

---

四、CIoU(Complete-IoU)

考虑到bbox回归三要素中的长宽比还没被考虑到计算中，因此，
进一步在DIoU的基础上提出了CIoU。其惩罚项如下面公式：