CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss

2019 年 3 月 10 日 AI100

作者 | Slumbers，毕业于中山大学，深度学习工程师，主要方向是目标检测，语义分割，GAN

责编 | Jane

本文是对 CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》的解读，通过对 Loss 的修改提升检测任务的效果，觉得思路很棒。

该文作者来自斯坦福大学与澳大利亚阿德莱德大学。

IoU是检测任务中最常用的指标，由于IoU是比值的概念，对目标物体的scale是不敏感的。然而检测任务中的BBox的回归损失(MSE loss, l1-smooth loss等）优化和IoU优化不是完全等价的（见下图）。

而且 Ln 范数对物体的scale也比较敏感。这篇论文提出可以直接把IoU设为回归的loss。然而有个问题是IoU无法直接优化没有重叠的部分。为了解决这个问题这篇paper提出了GIoU的思想~

预测值和Ground truth没有重叠的话，IoU始终为0且无法优化
IoU无法辨别不同方式的对齐，比如方向不一致等。

GIoU

所以论文中提出的新 GIoU 是怎么设计的呢：

假如现在有两个任意性质 A，B，我们找到一个最小的封闭形状C，让C可以把A，B包含在内，然后我们计算C中没有覆盖A和B的面积占C总面积的比值，然后用A与B的IoU减去这个比值：

GIoU有如下性质：

与IoU类似，GIoU也可以作为一个距离，loss可以用（下面的公式）来计算

同原始 IoU 类似，GIoU 对物体的大小不敏感。GIoU 总是小于等于 IoU，对于 IoU，有

GIoU 则是

在两个形状完全重合时，有

由于 GIoU 引入了包含 A，B 两个形状的 C，所以当 A，B 不重合时，依然可以进行优化。

总之就是保留了IoU的原始性质同时弱化了它的缺点。于是论文认为可以将其作为IoU的替代。

GIoU 作为 BBox 回归的损失

具体一点，如何计算损失呢？我们以 2D detecation 为例：

假设我们现在有预测的 Bbox 和 groud truth 的 Bbox 的坐标，分别记为：

注意我们规定对于预测的 BBox 来说，有

主要是为了方便之后点的对应关系。

作者做了一系列的实验（针对分割任务和分类任务有一定 loss 的调整设计，不过论文中没有详细给出）结果是 IoU loss 可以轻微提升使用 MSE 作为 loss 的表现，而 GIoU 的提升幅度更大，这个结论在 YOLO 算法和 faster R-CNN 系列上都是成立的：

PASCAL VOC 2007 with faster-RCNN

更多内容大家可以参考项目主页：

https://giou.stanford.edu/

代码实现：

https://github.com/generalized-iou

原文链接：

https://zhuanlan.zhihu.com/p/57992040

--【本文完】--

近期 CVPR 2019 论文解读推荐：

首发 | 旷视14篇CVPR 2019论文，都有哪些亮点？

腾讯58篇论文入选CVPR 2019，两年增长超200%

CVPR 2019审稿满分论文：中国博士提出融合CV与NLP的视觉语言导航新方法

CVPR 2019 | 惊艳的SiamMask：开源快速同时进行目标跟踪与分割算法

CVPR2019 | 微软、中科大开源基于深度高分辨表示学习的姿态估计算法

如果你也想分享自己的论文，欢迎投稿，可扫描下方二维码与营长联系：