https://zhuanlan.zhihu.com/p/94799295
https://zhuanlan.zhihu.com/p/366744055
https://zhuanlan.zhihu.com/p/359982543
Iou
GIou
DIou
CIou
IoU：使用最廣泛的檢測框loss。
GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
下面我們直接一句話總結一下這四種算法的優缺點：
-
IoU算法是使用最廣泛的算法，大部分的檢測算法都是使用的這個算法。
-
GIoU考慮到，當檢測框和真實框沒有出現重疊的時候IoU的loss都是一樣的，因此GIoU就加入了C檢測框（C檢測框是包含了檢測框和真實框的最小矩形框），這樣就可以解決檢測框和真實框沒有重疊的問題。但是當檢測框和真實框之間出現包含的現象的時候GIoU就和IoU loss是同樣的效果了。
-
DIoU考慮到GIoU的缺點，也是增加了C檢測框，將真實框和預測框都包含了進來，但是DIoU計算的不是框之間的交並，而是計算的每個檢測框之間的歐氏距離，這樣就可以解決GIoU包含出現的問題。
-
CIoU就是在DIoU的基礎上增加了檢測框尺度的loss，增加了長和寬的loss，這樣預測框就會更加的符合真實框。
這些只是我看的重點，詳細的還需要大家去閱讀論文看一下效果。
IOU
IOU可以作為距離，loss=1-IOU。但是當兩個物體不相交時無回傳梯度。 (缺陷)
IOU對尺度變化具有不變性，即不受兩個物體尺度大小的影響。
以A，B兩個box重合的情況為例，若boxes1=[[0,0,10,10],[0,0,5,5]],boxes2=[[0,0,10,10],[0,0,5,5]],此時IOU=[1,1]
IOU的缺點：
無法衡量兩框是相鄰還是甚遠
如下圖2所示，兩種情況下IOU均為0，(a)中兩框距離較近，(b)中兩框明顯距離要遠，但是僅從IOU數值上無法判斷兩者距離較近還是較遠（兩個物體不相交時無回傳梯度）
IOU不能反映兩個物體如何重疊（相交方式）。
如下圖3所示，兩種情況下的IOU均為0.1428，(a)中兩框要比(b)中的相交更整齊一些，但是IOU並沒有反映出這個特點。
為了解決這個問題,衍生出了GIOU
GIOU是為克服IOU的缺點同時充分利用優點而提出的
1.假設A為預測框，B為真實框，S是所有框的集合
2.不管A與B是否相交，C是包含A與B的最小框(包含A與B的最小凸閉合框)，C也屬於S集合
3.首先計算IoU，A與B的交並比
4.再計算C框中沒有A與B的面積，比上C框面積；
5.IoU減去前面算出的比；得到GIoU
6.Note：本文提出的例子中A、B均是矩形框，但是也可以為其他的。比如：A、B為橢圓形，那么此時C將是包含A、B的最小橢圓形；或者A、B均是3D box也可。
GIoU最主要的作用：
(1)對於相交的框，IOU可以被反向傳播，即它可以直接用作優化的目標函數。但是非相交的，梯度將會為0，無法優化。此時使用GIoU可以完全避免此問題。所以可以作為目標函數
(2)可以分辨框的對齊方式