GIOU（generalized IoU）笔记

图像小白鼠

于 2019-07-26 22:35:29 发布

阅读量3.1k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： object detection 文章标签： GIOU 目标检测神经网络 object detection 算法改进

本文链接：https://blog.csdn.net/qq_43088746/article/details/97422361

GIOU是一种改进的IoU（并交比），旨在解决目标检测中边界框评估的问题。当IOU无法准确反映预测框与真实框的差异时，GIOU通过引入最小包含区域的概念，提供了更好的衡量标准。该指标适用于解决IOU相同但实际差异大以及IOU为0时的优化问题，其值域在(-1, 1]之间，有助于损失函数的优化。GIOU在YOLOv3等一阶检测器中显示出比Faster R-CNN更好的提升效果。" 114896397,10538343,Java实现FLAC文件编码示例,"['Java开发', '音频格式', '文件处理', '编码库', 'javaFlacEncoder']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文的地址为：https://arxiv.org/abs/1902.09630
github代码地址：https://github.com/generalized-iou
这篇论文出自CVPR2019，这篇论文提出了一种优化边界框的新方式即GIOU。
IOU中文叫并交比，即两者公共的面积占总面积的比值，在目标检测中，常用于衡量bbox的位置准确与否，与GT(ground truth)的IOU越大往往代表着bbox越准。
IOU
但是在算法预测时往往存在着两种情况：
（1）IOU一样，但是实际差别特别大。图片中三种情况IOU一样，但是效果有差别。
在这里插入图片描述
（2）IOU为0，但是同样存在着差异如下图
IOU同样为零，但是显然左上角的框比右下角的框更好，同时IOU为零也对损失的传播不利，在IOU为零时，无法为下一步的调整提供正确的方向。

于是GIOU被提出用以解决上述两个问题。
在这里插入图片描述
GIOU的定义如上图，实际上也不是特别的复杂。
（1）首先对于两个需要