IOU
IOU在0~1之间，两个框完全重合为1，所以 为0时没有重合，即值越低 IOU效果越差
IOU loss = 1 - IOU，loss 越小，效果越好，这是 IOU loss 和 IOU 的区别
GIoU
IoU的局限性
预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。
当IOU=0时：https://www.zhihu.com/equation?tex=GIOU%3D-1%2B%5Cfrac%7BA%5Ccup+B%7D%7BC%7D%5C%5C+
显然， 值不变，最大化GIOU就是要最小化 ，最小化C就会促成两个框不断靠近，而不是像最小化IOU那样loss为0。
版权声明：本文为CSDN博主「往事如yan」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/txpp520/article/details/123080399
暂无评论