网站开发岗位实际情况,做ae动图的网站,信用家装修平台官网,中国机械设备制造网一.IOU 1.GIOU解决没有交集的框,IOU为0,其损失函数导数为0,无法优化的问题。 图1 GIOU,IOU,l2范数差异 a)可看出 l2值一样,IOU值是不一样的,说明L1,L2这些Loss用于回归任务时#xff0c;不能等价于最后用于评测检测的IoU. b)可看出当框有包含关系,GIOU就退化为IOU 其是找…一.IOU  1.GIOU解决没有交集的框,IOU为0,其损失函数导数为0,无法优化的问题。 图1 GIOU,IOU,l2范数差异 a)可看出 l2值一样,IOU值是不一样的,说明L1,L2这些Loss用于回归任务时不能等价于最后用于评测检测的IoU. b)可看出当框有包含关系,GIOU就退化为IOU 其是找到一个最小的封闭形状C让C可以将A和B包围在里面然后我们计算C中没有覆盖A和B的面积占C总面积的比例S. GIOU IOU - S 可看出,GIOUIOU 当B,GIOU1,当　B两框离得很远GIOU趋近于-1. 图2 GIOU 计算公式 GIOU loss: GIOU的损失函数算法: 1.代码  import numpy as np def Giou(box1, box2):xmin1, ymin1, xmax1, ymax1 box1xmin2, ymin2, xmax2, ymax2 box2xx1 np.max([xmin1, xmin2])yy1 np.max([ymin1, ymin2])xx2 np.min([xmax1, xmax2])yy2 np.min([ymax1, ymax2])# 计算两个矩形框面积area1 (xmax1-xmin1) * (ymax1-ymin1)area2 (xmax2-xmin2) * (ymax2-ymin2)inter_area (np.max([0, xx2-xx1])) * (np.max([0, yy2-yy1]))#计算交集面积iou inter_area / (area1area2-inter_area1e-6)#计算交并比print(inter_area:, inter_area)print(iou:, iou)#两个框的包围面积area_C (max(xmin1, xmax1, xmin2, xmax2) - min(xmin1, xmax1, xmin2, xmax2)) *\(max(ymin1, ymax1, ymin2, ymax2) - min(ymin1, ymax1, ymin2, ymax2))print(area_C:, area_C)end_area (area_C - (area1area2-inter_area)) / area_C #闭包区域中不属于两个框的区域占闭包区域的比重giou iou - end_areaprint(giou:, giou)return gioubox1 [0, 0, 2, 2] box2 [1, 1, 3, 3] # box2 [5, 5, 7, 7] Giou(box1, box2) 优点 相比于IOU优化无IOU情况。 相比于1,L2loss,更能直观表示框与框之间关系。 二.DIOU 基于IoU和GIoU存在的问题 1. 直接最小化anchor框与目标框之间的归一化距离是否可行以达到更快的收敛速度 2. 如何使回归在与目标框有重叠甚至包含时更准确、更快 3.当目标框完全包裹预测框的时候IoU和GIoU的值都一样此时GIoU退化为IoU, 无法区分其相对位置关系. 其中,b,bgt分别代表了预测框和真实框的中心点p2代表计算两个中心点间的欧式距离。 c2代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。 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。 1.DIOU代码 import torch def Diou(bboxes1, bboxes2):rows bboxes1.shape[0]cols bboxes2.shape[0]dious torch.zeros((rows, cols))if rows * cols 0:#return diousexchange Falseif bboxes1.shape[0] bboxes2.shape[0]:bboxes1, bboxes2 bboxes2, bboxes1dious torch.zeros((cols, rows))exchange True# #xmin,ymin,xmax,ymax-[:,0],[:,1],[:,2],[:,3]w1 bboxes1[:, 2] - bboxes1[:, 0]h1 bboxes1[:, 3] - bboxes1[:, 1]w2 bboxes2[:, 2] - bboxes2[:, 0]h2 bboxes2[:, 3] - bboxes2[:, 1]area1 w1 * h1area2 w2 * h2center_x1 (bboxes1[:, 2] bboxes1[:, 0]) / 2center_y1 (bboxes1[:, 3] bboxes1[:, 1]) / 2center_x2 (bboxes2[:, 2] bboxes2[:, 0]) / 2center_y2 (bboxes2[:, 3] bboxes2[:, 1]) / 2inter_max_xy torch.min(bboxes1[:, 2:], bboxes2[:, 2:])inter_min_xy torch.max(bboxes1[:, :2], bboxes2[:, :2])print(inter_min_xy:, inter_min_xy)print(inter_max_xy:, inter_max_xy)out_max_xy torch.max(bboxes1[:, 2:], bboxes2[:, 2:])out_min_xy torch.min(bboxes1[:, :2], bboxes2[:, :2])print(out_min_xy:, out_min_xy)print(out_max_xy:, out_max_xy)inter torch.clamp((inter_max_xy - inter_min_xy), min0)inter_area inter[:, 0] * inter[:, 1]inter_diag (center_x2 - center_x1)**2 (center_y2 - center_y1)**2outer torch.clamp((out_max_xy - out_min_xy), min0)outer_diag (outer[:, 0] ** 2) (outer[:, 1] ** 2)union area1area2-inter_areadious inter_area / union - (inter_diag) / outer_diagdious torch.clamp(dious,min-1.0, max 1.0)if exchange:dious dious.Treturn diousbox1 torch.from_numpy(np.array([[0, 0, 2, 2]])) box2 torch.from_numpy(np.array([[1, 1, 3, 3]])) Diou(box1, box2) DIOUloss: 优点 相比于GIOU优化距离替换优化面积收敛速度更快。 解决GIOU的缺点完全包裹预测框时loss一样的情况。 三.CIOU DIOU没有考虑到检测框的长宽比。长宽比更接近的边框应当有更低的loss。 参考 https://github.com/Zzh-tju/DIoU-darknet https://arxiv.org/abs/1911.08287