![](/style/images/good.png)
![](/style/images/bad.png)
GIoU (CVPR, 2019)
source link: https://hellozhaozheng.github.io/z_post/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89-GIoU-CVPR2019/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
GIoU (CVPR, 2019)
Paper Reading Note
URL: https://arxiv.org/abs/1902.09630
TL;DR
本文从 IOU 的角度出发, 提出了可以避免不相交bbox的反向传播问题的 GIoU, 同时将 GIoU 作为新的损失函数和评价标准进行 bbox 的回归训练, 实验表明, GIoU 对常用的目标检测算法都具有相当的提升作用.
Algorithm
目前常用的目标检测算法在进行 bbox 的回归时, 通常会采用 smooth l1 loss 或者 mse 来计算损失, 但是这种损失的计算方式并不能体现出 bbox 的准确程度, 举例来说, 对于具有相同 loss 的不同组合, 有可能具有不同的 IoU , 如图1 所示, 这说明, 当我们对 smooth l1 loss 或者 mse 进行优化时, 实际上并不能完全对 IoU 进行优化.
但是, 当使用标准的 IoU 计算损失时, 如果两个 bbox 不相交, 那么, 他们的 IoU 就会变成 0, 但是, bbox 之间距离的不同, 应该具有不同程度的损失, 因此, 如果之间使用 IoU 作为 loss 进行优化的话, 当 bbox 之间不相交, 就无法准备描述出 bbox 的不匹配程度. 因此, 文本提出了一个通用的 IoU, 称为 GIoU, GIoU 的计算方法如算法1所示.
用 GIoU 做 loss 时, 不仅保持了 IoU 的优良性质, 同时还可以解决 bbox 不相交的问题, 将 IoU 作为 loss 的具体实施方法如下所示
Experiment Detail
作者利用 YOLOv3, FasterRCNN 等经典模型在 COCO, VOC 的数据集上进行了实验, 实验结果显示, 不论是 IoU 还是 GIoU, 都可以获得相应的提升, 同时 GIoU 可以获得更大的提升, 实验结果如下所示.
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK