【深度学习】目标检测回归损失函数合集：SmoothL1/IoU/GIoU/DIoU/CIoU Loss

目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss —> IoU Loss —> GIoU Loss  —> DIoU Loss  —> CIoU Loss，本文按照此路线进行讲解。

1. Smooth L1 Loss

• 本方法由微软rgb大神提出，Fast RCNN论文提出该方法

1.1 假设x为预测框和真实框之间的数值差异，常用的L1和L2 Loss定义为：

1.2 上述的3个损失函数对x的导数分别为：

从损失函数对x的导数可知： 

• L1损失函数对x的导数为常数1，在训练后期，x很小时，如果learning rate 不变，损失函数会在稳定值附近波动，很难收敛到更高的精度(正常逻辑是，误差接近0时，导数也接近0)。
• L2损失函数对x的导数在x值很大时，其导数也非常大，在训练初期不稳定。
• smoothL1完美的避开了L1和L2损失的缺点,可谓是取二者精华去其糟粕。

1.3 实际目标检测框回归任务中的损失loss为 

其中表示GT 的框坐标，  表示预测的框坐标，即分别求4个值的loss，然后相加作为Bounding Box Regression Loss。

三种loss的曲线图如图所示，可以看到Smooth L1相比L1的曲线更加的Smooth

                                              L1和L2和smoothL1的图像

缺点：

• 上面的三种Loss用于计算目标检测的Bounding Box Loss时，独立的求出4个点的Loss，然后进行相加得到最终的Bounding Box Loss，这种做法的假设是4个点是相互独立的，实际是有一定相关性的
• 实际评价框检测的指标是使用IOU，这两者是不等价的，多个检测框可能有相同大小的  Loss，但IOU可能差异很大，为了解决这个问题就引入了IOU LOSS。

---

2. IoU Loss

• 本文由旷视提出，发表于2016 ACM

2.1 通过4个坐标点独立回归Building boxes的缺点：

• 检测评价的方式是使用IoU,而实际回归坐标框的时候是使用4个坐标点，如下图所示，是不等价的；L1或者L2 Loss相同的框，它们的IoU并不一定相同。
• 通过4个点回归坐标框的方式是假设4个坐标点是相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性
• 基于L1和L2的距离的loss对于尺度不具有不变性

        图(a)中的三组框具有相同的L2 Loss，但其IoU差异很大；图(b)中的三组框具有相同的L1 Loss,但IoU同样差异很大，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.
• 基于L1和L2范数的度量下，距离相同的两个框框，实际IoU值可能相差很远。

2.2 基于此提出IoU Loss,其将4个点构成的box看成一个整体进行回归：

        

        上图中的红色点表示目标检测网络结构中Head部分上的点（i,j），绿色的框表示Ground truth框, 蓝色的框表示Prediction的框。IoU loss的定义如上图中所示，

• 先求出2个框的IoU，然后再求个-ln(IoU)，实际很多是直接定义为IoU Loss = 1 - IoU
• 其中IoU是真实框和预测框的交集和并集之比，当它们完全重合时，IoU就是1，那么对于Loss来说，Loss是越小越好，说明他们重合度高，所以IoU Loss就可以简单表示为 1 - IoU。

IoU Loss 前项推理时的算法实现方式：

• xt,xb,xl,xr分别是上下左右，具体参见上面的一幅图.

附录:论文链接：https://arxiv.org/pdf/1608.01471.pdf...

---

3 GIoU Loss（Generalized Intersection over Union）

• 发表于CVPR2019

3.1 IoU Loss 有2个缺点：

•  当预测框和目标框不相交时，IoU(A,B)=0时，不能反映A,B距离的远近，此时损失函数不可导，IoU Loss 无法优化两个框不相交的情况。
•  预测框和真实框IoU值相同时，IoU值不能反映两个框是如何相交的(角度、方向等)。

        下图中，三种不同相对位置的框IOU值却是相同的,IoU=0.33值，但是它们的GIOU值不同，分别为GIoU=0.33，0.24，-0.1。当框的对齐方向更好一些时GIoU的值会更大。

 

 

 

GIoU的实现方式如上，其中C为A和B的外接矩形。用C减去A和B的并集除以C得到一个数值，然后再用框A和B的IoU减去这个数值即可得到GIoU的值。

GIoU的性质

• • GIoU和IoU一样，可以作为一种距离的衡量方式， 

• • GIoU具有尺度不变性
• • 对于 
   ,有 
   且 
   ,因此 
   当 
   时，两者相同都等于1，此时 
   等于1
• • 当 
   不相交时， 

附录：

• • 论文链接：https://arxiv.org/abs/1902.09630...
• • github链接：https://github.com/generalized-iou/g-darknet...
• • 参考链接：目标检测算法之CVPR2019 GIoU Loss

结论和启发：

本文提出了GIoU Loss，最终单阶段检测器YOLO v1涨了2个点，两阶段检测器涨点相对较少（RPN的box比较多，两个框未相交的数量相对较少）

---

4. DIoU Loss

• • 本文发表在AAAI 2020

GIoU Loss不足

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；此时作者提出的DIoU因为加入了中心点归一化距离，所以可以更好地优化此类问题。

启发点:

基于IoU和GIoU存在的问题，作者提出了两个问题：

• • 第一：直接最小化预测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。
• • 第二：如何使回归在与目标框有重叠甚至包含时更准确、更快。

好的目标框回归损失应该考虑三个重要的几何因素：重叠面积，中心点距离，长宽比。基于问题一，作者提出了DIoU Loss,相对于GIoU Loss收敛速度更快，该Loss考虑了重叠面积和中心点距离，但没有考虑到长宽比；针对问题二，作者提出了CIoU Loss，其收敛的精度更高，以上三个因素都考虑到了。

Distance-IoU Loss

• • 通常基于IoU-based的loss可以定义为 
   ，其中 
   定义为预测框 
   和目标框 
   的惩罚项。
• • DIoU中的惩罚项表示为 
   ，其中 
   分别表示 
   的中心点， 
   表示欧式距离， 
   表示 
   的最小外界矩形的对角线距离，如下图所示。可以将DIoU替换IoU用于NMS算法当中，也即论文提出的DIoU-NMS,实验结果表明有一定的提升。
• • DIoU Loss function定义为： 

上图中绿色框为目标框，黑色框为预测框，灰色框为两者的最小外界矩形框，d表示目标框和真实框的中心点距离，c表示最小外界矩形框的距离。

DIoU的性质：

• • 尺度不变性
• • 当两个框完全重合时， 
   ,当2个框不相交时

• • DIoU Loss可以直接优化2个框直接的距离，比GIoU Loss收敛速度更快
• • 对于目标框包裹预测框的这种情况，DIoU Loss可以收敛的很快，而GIoU Loss此时退化为IoU Loss收敛速度较慢

5. CIoU Loss

Complete-IoU Loss

• • CIoU的惩罚项是在DIoU的惩罚项基础上加了一个影响因子 
   ，这个因子把预测框长宽比拟合目标框的长宽比考虑进去。
   ，其中 
   是用于做trade-off的参数， 
   ， 
   是用来衡量长宽比一致性的参数，定义为

• • CIoU Loss function的定义为

DIoU和CIoU的提升效果

上表中左边是用5种不同Boudning Box Regression Loss Function的对比，右边是以IoU和GIoU来计算的2种Evaluation的结果；GIoU相对IoU会有2.49点提升，DIoU相对IoU会有3.29点提升，CIoU会有大概5.67点提升，CIoU结合DIoU-NMS使用效果最好，大概会有5.91点提升。

结论：

DIoU Loss和CIoU Loss优化了GIoU Loss的不足，实验证明效果有进一步提升，代码已开源，非常推荐工程上去尝试。

附录：

• • 论文地址：https://arxiv.org/pdf/1911.08287.pdf...
• • github地址： https://github.com/Zzh-tju/DIoU-darknet...

---

6. 后续

本文给大家介绍了目标检测任务中的Bounding Boxes Regression Loss Function的发展演进，后续给大家介绍 Classification Loss 的发展演进，例如Binary Cross Entropy Loss, AUC Loss, focal Loss, GHM Loss, AP Loss等。

参考文献：

• • [1]FastR-CNN （Smooth L1 Loss; 201509）
• • [2]UnitBox: An Advanced Object Detection Network （IoU Loss；201608）
• • [3]Generalized Intersection over Union: A Metric and ALoss for Bounding Box Regression （GIOU Loss;CVPR2019）
• • [4]Distance-IoU Loss:Faster and Better Learning for Bounding Box Regression（DIOU Loss & CIoU Loss ; CVPR2019）

编辑于 2020-02-01

 

标签：GIoU,Loss,IoU,DIoU,L1,CIoU
来源： https://blog.csdn.net/chen1234520nnn/article/details/118525518