深度学习中的目标检测评价指标：IOU、GIOU、DIOU与CIOU详解
深度学习中的目标检测评价指标：IOU、GIOU、DIOU与CIOU详解
在目标检测任务中，准确评估预测框与真实框的匹配程度是至关重要的。IOU（Intersection over Union）作为最基础的评价指标，其衍生版本GIOU、DIOU和CIOU在实际应用中展现出不同的优势。本文将系统地介绍这些指标的计算方法、优缺点及其应用场景。
为了统一理解IOU及其衍生版本的公式，我们先定义以下参数：
- 【A】：目标框的区域
- 【B】：预测框的区域
- 【C】：A与B的交集
- 【D】：A与B的并集 = A+B-C
- 【E】：A与B的最小外接矩形框
- 【F】：最小外接框内非重叠的区域 = E - D
- 【d】：A中心到B中心的欧式距离
- 【L】：E的对角线距离
当将这些指标用作损失函数时，其形式为：IOU loss = 1 − IOU
IOU
公式：
$$IOU = \frac{C}{D}$$优点：
优化了原有的L1 loss，L2 loss和Smooth L1 loss，这三个loss都是基于独立的点来进行计算的。
直观地反映预测检测框与真实检测框的检测效果。判断Predbox 和GTbox的距离最直接的指标。
缺点：
如果两个框没有相交，C=0，不能反映A与B的距离。此时损失函数不可导，没有梯度回传，loss无法优化两个框不想交的情况。
IoU无法精确地反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。
GIOU
提出：在CVPR2019中，论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》提出了GIoU的思想。
公式：
$$GIOU = \frac{C}{D}-\frac{F}{E}$$优点：
加入了非重叠区域的影响，改善了IOU的计算过程
在A和B不相交时，可以进行学习训练
缺点：
当目标框A 和 检测框 B 完全互相包含时，F=0，即GIOU退化为IOU。此时无法区分A与B的相对位置，无法进行有效的学习
DIOU
提出：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
公式：
$$DIOU = \frac{C}{D}-\frac{d}{L}$$优点：
DIOU Loss可以直接最小化两个目标框的距离，比GIOU收敛的更快。
对于GIOU的缺点，即目标框包裹预测框的这种情况，DIOU Loss可以使回归非常快，而GIOU Loss几乎退化为IOU Loss。
缺点：
框的长宽比指标没有考虑
如图9所示，当IOU值和两个框的中心点距离一样时，即检测框中心点在以目标框中心点为圆心半径相同的圆弧上时，DIOU没办法区分。
CIOU
公式：
$$CIOU = \frac{C}{D}-\frac{d}{F}-\alpha v$$
$$v=\frac{4}{\pi^2}(arctan(\frac{w^{gt}}{h^{gt}})-arctan(\frac{w^{pred}}{h^{pred}}))$$解释：加入了长宽比相似性的指标，α是权重系数，在论文里有相关计算， 是两个框长宽比指标的相似性计算。通俗意思是在IOU值和中心点距离值相同时，两个框的长宽比指标越相似，说明预测框与目标框的对比效果越好。
优点：添加了长宽比的惩罚项，使得评估更加准确。
缺点：CIOU Loss涉及到反三角函数，在计算的过程中会消耗一定的算力，整体训练时间会慢一点。