《GIoU》論文筆記

論文連接：arxiv.org/abs/1902.09…

代碼連接：github.com/generalized…

  這篇論文出自CVPR2019，算是目前已被錄用且公佈的爲數很少的目標檢測相關論文了。這篇論文提出了一種優化邊界框的新方式——GIoU(generalized IoU，廣義IoU)。目前關於IOU的新用法真是層出不窮，從Cascade R-CNN到IOU Net再到現在的GIoU，GIoU的方法是這些論文中相對簡單的，相信不少朋友瞭解了這篇文章的原理後，心裏的OS都是「總以爲損失函數能夠優化，這麼簡單我怎麼沒想到呢？」，哈哈，反正我是這樣想的了。下面來看看這篇文章所提出的方法吧。

動機

  目前目標檢測中主流的邊界框優化採用的都是BBox的迴歸損失(MSE loss, L1-smooth loss等)，這些方式計算損失值得方式都是檢測框得「代理屬性」——距離，而忽略了檢測框自己最顯著的性質——IoU。以下圖所示，在L1及L2範數取到相同的值時，實際上檢測效果倒是差別巨大的，直接表現就是預測和真實檢測框的IoU值變化較大，這說明L1和L2範數不能很好的反映檢測效果。

  除了能反映預測檢測框與真實檢測框的檢測效果外，IoU還具備尺度不變性。但是既然IOU這麼好，爲何以前不直接用IoU呢，這是因爲IoU有兩個缺點，致使其不太適合作損失函數：

• 但檢測框與gt之間沒有重合時，IoU爲0。而在優化損失函數時，梯度爲0，意味着沒法優化
• 在檢測框與gt之間IoU相同時，檢測的效果也具備較大差別，以下圖所示：

  

  基於IoU的優良特性和其做爲損失函數時的致命缺點，做者提出了一個新的概念——GIoU

方法

  GIoU的定義以下圖所示，

  根據定義，GIoU具備以下性質：

• GIoU具備做爲一個度量標準的優良性質。包括非負性，同一性，對稱性，以及三角不等式的性質
• 與IoU類似，具備尺度不變性
• GIoU的值老是小於IoU的值
• 對於兩個矩形框A和B，0≤IoU(A,B)≤1，而-1≤GIoU≤1
• 在A，B沒有良好對齊時，會致使C的面積增大，從而使GIoU的值變小，而兩個矩形框不重合時，依然能夠計算GIoU，必定程度上解決了IoU不適合做爲損失函數的緣由

  GIoU做爲損失函數時計算方式以下的算法2

  從算法中能夠看到和GIoU的計算方式和IoU的步驟基本保持一致，在獲得IoU的值後在根據上面的算法1計算GIoU的值。這裏還不太清楚方向傳播時，梯度是怎麼計算的。等我看看源碼再來更新吧

實驗

  做者分別在幾種主流的目標檢測算法上作了實驗，分別是YoLo、Faster R-CNN和Mask R-CNN。這裏貼上在Pascal Voc數據集上的實驗結果，以下

  實驗結果中在YoLo v3上能夠看到GIoU相比IoU的損失函數有較大幅度的提高，而在faster r-cnn中GIoU和IoU做爲損失函數的區別不大，這裏做者給出的解釋是faster rcnn的anchor更密集，致使不易出現與gt不重疊的檢測框。其實我的認爲，anchor多的情形與gt不重疊的檢測框纔多，更根本的緣由應該是RPN網絡進行了一次粗檢後，濾去了大部分跟gt沒有重合的檢測框。致使GIoU相比IoU的損失函數提高不明顯吧

總結

  GIoU的方法很簡單，巧妙的是優化的點。經過廣義IoU做爲損失函數替代bbox迴歸仍是頗有趣的。不過疑惑的是實驗結果中的檢測AP值都很是低，原生的faster rcnn在pascal voc上的檢測效果都不會這麼差。從實驗對比上GIoU的損失函數相比原始的損失函數在準確率不到40%的效果上來講確實有較大幅度的提高。然而要是換到準確率較高的baseline上呢？這一點還須要實驗驗證。   另外總感受這篇論文有點點到即止，沒有更多的實驗驗證bbox做爲損失函數存在缺陷的緣由。

歡迎關注個人公衆號