Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

2019-05-20 19:34:55

Paper: https://arxiv.org/pdf/1902.09630.pdf 

Project page: https://giou.stanford.edu/ 

Code: https://github.com/generalized-iou 

 

1. Background and Motivation: 

IoU (Intersection over Union) 是物體檢測領域最經常使用的評價指標，用於衡量任意兩個形狀之間的類似性。IoU 將物體的形狀信息，如：width，height，and locations of two bounding boxes，編碼爲 region property，而後計算一個聚焦於該區域的度量。這個性質使得 IoU 對 scale 有不變性。因爲具備這樣的特色，IoU 被普遍的應用於物體檢測，分割，跟蹤等任務。

 

從上述內容能夠發現，最小化經常使用的損失 與 改善他們的 IoU 值，之間並無強烈的關係。如圖 1（a）所示：（綠色的BBox 爲真值，黑色的爲預測的結果）

爲了簡化起見，咱們假設兩個 BBox 的一個角固定，因此，任何預測的 BBox，只要第二個角在圓周線上，將會產生相同的 l2-norm distance；然而，IoU值卻明顯的不一樣。能夠發現，regression loss 的優化 和 IoU values 之間的 gap，並不能很簡單的跨越。

 

本文針對該問題，探索了 IoU 的新的計算方法。做者這裏借鑑了 UnitBox 的思想，直接將 BBox 做爲優化目標進行迴歸。因此，將 IoU 做爲 2D 物體檢測任務的目標函數就更適合了。可是，IoU 做爲 metric 和 loss 有以下的不足：若是兩個物體根本沒有重合，那麼 IoU value 將會是 0，而且不會反應兩個 BBox 到底有多遠。在這種不重合的狀況下，若是用了 IoU 做爲損失函數，那麼梯度將會爲 0，沒法進行優化。

 

在本文中，做者經過解決這個不重合的問題，克服了 IoU 的弱點。做者確保其拓展版本的有以下的特性：

a). 與 IoU 同樣，擁有相同的定義，即：將對比物體的形狀屬性編碼爲區域屬性（region property）；

b). 保持了 IoU 的尺寸不變性；

c). 確保了在重合物體上與 IoU 的強烈相關性；

咱們引入該 generalized verison of IoU, named GIoU, 做爲一種新的對比方式。也提供了一種分析性的方案，來計算 GIoU，容許其做爲 loss function。將 GIoU loss 引入到頂尖的物體檢測算法中，咱們的方法穩定的提高了其在主流物體檢測benchmark 上檢測性能。

 

2. Generalized Intersection over Union : 

常規的 IoU 的定義以下：

 

IoU 有以下的兩個優點：

1). IoU 做爲距離，能夠看作是一種 metric；

2). IoU 對問題的尺寸具備不變性（Invariant to the scale of the problem）；

與此同時，也有以下的一個劣勢：若是兩個 BBox 不重合，那麼其 IoU 得分就是 0。那麼，此時的 IoU 沒法反映出兩個BBox 真實的距離。

 

做者提出的 GIoU 能夠很好的解決這個問題，具體的計算方式以下：

 

首先，計算兩個 BBox  A 和 B 的 smallest convex shapes C, 同時包含 A and B; 

而後，咱們計算以下的比值：分子是 排除 A 和 B 後的 C的區域，分母是 C 的總面積；這個表達了 A 和 B 之間的空閒區域的大小比例；

最終，將 IoU 的值，減去上述的比值，就能夠獲得 GIoU 的值。 

 

上圖中的綠色區域，即展現了所要計算的區域 C 的面積。

 

3. Experiments：