1、IoU深入解析
边界框回归是目标检测的关键步骤，在现有方法中，虽然-norm loss 被广泛用于边界框回归，但它不是针对评估指标量身定制的，即 Intersection over Union （IoU）。最近，已经提出了 IoU 损失和generalized IoU （GIoU） Loss作为评估IoU的指标 ，但仍然存在收敛速度慢和回归不准确的问题。在本文中，我们通过结合预测框和目标框之间的归一化距离来提出距离-IoU （DIoU） Loss，它在训练中的收敛速度比 IoU 和 GIoU Loss快得多。 目标检测是计算机视觉任务中的关键问题之一，几十 年来一直受到了广泛的研究关注 （Redmon et al. 2016; Redmon and Farhadi 2018; Ren et al. 2015; He et al. 2017; Yang et al. 2018; Wang et al. 2019; 2018）。 通常，现有的目标检测方法可以分为：
单阶段-检测，如YOLO系列 （Redmon et al. 2016; Red- mon and Farhadi 2017; 2018） 和SSD （Liu et al. 2016; Fu et al. 2017），
两阶段检测，如 R-CNN系列检测 （Girshick et al. 2014; Girshick 2015; Ren et al. 2015; He et al. 2017），
甚至是多阶段的检测， 像Cascade R-CNN （Cai and Vasconcelos 2018）。 尽管存在这些不 同的检测框架，但边界框回归预测一个矩形框来定位目标对象仍然是其中关键步骤。
原作者：Fengwen，BBuf
