当前位置：首页 > article >正文

【DL】损失函数：IOU|GIOU|DIOU|CIOU|EIOU|MPDIoU|SIOU|InnerIoU|Focaler等

article 2024/10/22 19:04:40

边界框回归损失计算的方法包括GIoU、DIoU、CIoU、EIoU和MPDIou等。

IOU_Loss（2016）-> GIOU_Loss（2019）-> DIOU_Loss（2020）-> CIOU_Loss（2020）-> EIoU (2022 ) -> MPDIou(2023 )

① IOU

IoU的计算是用预测框(A)和真实框(B)的交集除以二者的并集，IoU的值越高说明二者的重合程度就越高，意味着模型预测的越准确。其公式为：

② GIOU

论文官网地址：https://arxiv.org/pdf/1902.09630.pdf

论文中将IoU推广为一种新的度量，即GIoU，用于比较任意两个任意形状。同时，证明了这个新指标具有IoU所具有的所有吸引人的属性，同时解决了它的弱点。因此，它可以作为2D/3D视觉任务中依赖IoU度量的所有性能度量的一个很好的选择。证明了GIoU可以用作边界框回归损失。

除了考虑IoU（交并比）之外，GIoU还考虑了边界框之间的包含关系和空间分布。

适合处理有重叠和非重叠区域的复杂场景，比如说拥挤场景。

GIOU的计算方式可以见下图：

③ DIoU

论文官网地址：https://arxiv.org/pdf/1911.08287.pdf

DIOU能够直接最小化预测框和真实框的中心点距离加速收敛，适用于需要快速收敛和精确定位的任务，但是Bounding box的回归还有一个重要的因素纵横比没有考虑。

DIoU的计算方式可以见下图：

④ CIoU

DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。所以此时需要引入框的宽高比，即CIOU。

适合需要综合考虑重叠区域、形状和中心点位置的复杂场景。

CIoU_LOSS的计算方式见下图：

⑤ EIoU

论文官网地址：https://arxiv.org/pdf/2101.08158.pdf

EIoU考虑了预测边界框与真实边界框之间的预期相似度。只用于训练。

适合于优化边界框对齐和形状相似性的高级场景需求。

EIoU_Loss的计算公式如下所示：

EIoU的计算方式理解见下图：

⑥ MPDIou

论文官网地址：https://arxiv.org/abs/2307.07662

MPDIoU损失，通过最小化预测边界框和真实边界框之间的左上和右下点距离，以更好地训练目标检测、字符级场景文本识别和实例分割的深度模型。

绿框表示真实边界框，红框表示预测边界框。具有不同边界框回归结果的两种情况，如下图所示：

从上图中可以看出：其他的几种计算方法针对上图中的两种情况所得值均相同，只有MPDIou_Loss是不同的。

提出的MPDIoU简化了两个边界框之间的相似性比较，可以适应重叠或非重叠的边界框回归。

MPDIou的计算公式如下所示：

实验结果展示：

⑦ SIoU

官方论文地址：https://arxiv.org/ftp/arxiv/papers/2205/2205.12740.pdf

本文提出了一种新的边界框回归损失函数极大地改进了目标检测算法的训练和推理。通过在损失函数代价中引入方向性，与现有方法(如CIoU损失)相比，训练阶段的收敛速度更快，推理性能更好。这种改进有效地减少了自由度(一个坐标VS两个坐标)，收敛速度更快，更准确。与广泛使用的最先进的方法和报告的可测量的改进进行了比较，所提出的损失函数可以很容易地包含在任何目标检测pipeline中，并有助于获得更好的结果。适用于精细的物体检测和小目标检测。

SIoU损失函数包含四个部分：角度损失(Angle cost)、距离损失(Distance cost)、形状损失(Shape cost)、IoU损失（IoU cost）。

最终LOSS定义如下：

检测效果对比如下图所示：

⑧ Inner-IoU

官方论文地址：https://arxiv.org/pdf/2311.02877

论文中分析了边界框的回归过程，指出了IoU损失的局限性，它对不同的检测任务没有很强的泛化能力。基于边界框回归问题的固有特点，提出了一种基于辅助边界框的边界框回归损失Inner-IoU。通过比例因子比率（scale factor ratio）控制辅助边界框的生成，计算损失，加速训练的收敛。它可以集成到现有的基于IoU的损失函数中。通过一系列的模拟和烧蚀消融实验验证，该方法优于现有方法。本文提出的方法不仅适用于一般的检测任务，而且对于非常小目标的检测任务也表现良好，证实了该方法的泛化性。

Inner-IoU的描述见下图：