CVPR2019目標(biāo)檢測論文看點：并域上的廣義交

Generalized Intersection over Union

Generalized Intersection over Union: A Metric and A Loss for BoundingBox
Regression

并域上的廣義交Intersection over Union（IOU）是目標(biāo)檢測標(biāo)準(zhǔn)最流行的評估手段。可是，使用boundingbox回歸參數(shù)方法計算距離誤差和最大化度量值優(yōu)化之間有一個缺陷gap。度量優(yōu)化目標(biāo)是度量本身，在2D bounding boxes軸對齊情況下，IOU可直接用作回歸loss。但是，IOU有一個困難，在沒有重疊的bounding boxes情況下不容易優(yōu)化。本文，通過使用一種新的loss和新的度量metric版本來消除這個缺陷。使用融合這種推廣的IOU（GIOU）作為loss導(dǎo)入目標(biāo)檢測框架的手段，使得檢測性能得到持續(xù)的改進(jìn)，使用兩種方法，standard-IOU和新的IOU，也就是諸如PASCAL VOC和MS COCO這種基于通用的的目標(biāo)檢測信性能優(yōu)化算法。

先看看論文的實驗示例演示效果。

下面來介紹具體的算法原理

1. Motivation

包圍框回歸是2D/3D 視覺任務(wù)中一個最基礎(chǔ)的模塊，不管是目標(biāo)檢測，目標(biāo)跟蹤，還是實例分割，都依賴于對bounding box進(jìn)行回歸，以獲得準(zhǔn)確的定位效果。目前基于深度學(xué)習(xí)的方法想獲得更好的檢測性能，要么是用更好的backbone，要么是設(shè)計更好的策略提取更好的feature,然而卻忽視了bounding box regression中L1、L2 loss這個可以提升的點。

IoU是目標(biāo)檢測中一個重要的概念，在anchor-based的方法中，他的作用不僅用來確定正樣本和負(fù)樣本，還可以用來評價輸出框（predict box）和ground-truth的距離，或者說predict box的準(zhǔn)確性。IoU有一個好的特性就是對尺度不敏感（scale invariant）。

在regression任務(wù)中，判斷predict box和gt的距離最直接的指標(biāo)就是IoU，但所采用的loss卻不適合，如圖所示，在loss相同的情況下，regression的效果卻大不相同，也就是說loss沒有體現(xiàn)出regression的效果，而IoU卻可以根據(jù)不同的情況得到不同的數(shù)值，能最直接反應(yīng)回歸效果。

2.Method

因此本文提出用IoU這個直接的指標(biāo)來指導(dǎo)回歸任務(wù)的學(xué)習(xí)。與其用一個代理的損失函數(shù)來監(jiān)督學(xué)習(xí)，不如直接用指標(biāo)本身來的好。此時損失函數(shù)為：

但直接用IoU作為損失函數(shù)會出現(xiàn)兩個問題：

· 如果兩個框沒有相交，根據(jù)定義，IoU=0，不能反映兩者的距離大小（重合度）。同時因為loss=0，沒有梯度回傳，無法進(jìn)行學(xué)習(xí)訓(xùn)練。

· IoU無法精確的反映兩者的重合度大小。如下圖所示，三種情況IoU都相等，但看得出來他們的重合度是不一樣的，左邊的圖回歸的效果最好，右邊的最差。

針對IoU上述兩個缺點，本文提出一個新的指標(biāo)generalized IoU（GIoU）：

GIoU的定義很簡單，就是先計算兩個框的最小閉包區(qū)域面積，再計算IoU，再計算閉包區(qū)域中不屬于兩個框的區(qū)域占閉包區(qū)域的比重，最后用IoU減去這個比重得到GIoU。GIoU有如下4個特點：

與IoU相似，GIoU也是一種距離度量，作為損失函數(shù)的話， ,滿足損失函數(shù)的基本要求

· GIoU對scale不敏感

· GIoU是IoU的下界，在兩個框無線重合的情況下，IoU=GIoU

· IoU取值[0,1]，但GIoU有對稱區(qū)間，取值范圍[-1,1]。在兩者重合的時候取最大值1，在兩者無交集且無限遠(yuǎn)的時候取最小值-1，因此GIoU是一個非常好的距離度量指標(biāo)。

· 與IoU只關(guān)注重疊區(qū)域不同，GIoU不僅關(guān)注重疊區(qū)域，還關(guān)注其他的非重合區(qū)域，能更好的反映兩者的重合度。

其實GIoU不僅定義簡單，在2D目標(biāo)檢測中計算方式也很簡單，計算重合區(qū)域和IoU一樣，計算最小閉包區(qū)域只需要得到兩者max和min坐標(biāo)，坐標(biāo)圍城的矩形就是最小閉包區(qū)域。

GIoU和IoU作為loss的算法如下所示：

步驟：

· 分別計算gt和predict box的面積

· 計算intersection的面積

· 計算最小閉包區(qū)域面積

· 計算IoU和GIoU

· 根據(jù)公式得到loss

3. Experiments

GIoU loss可以替換掉大多數(shù)目標(biāo)檢測算法中bounding box regression，本文選取了Faster R-CNN、Mask R-CNN和YOLO v3 三個方法驗證GIoU loss的效果。實驗在Pascal VOC和MS COCO數(shù)據(jù)集上進(jìn)行。

實驗效果如下：

可以看出YOLOv3在COCO上有明顯漲點，但在其他模型下漲點并不明顯，作者也指出了faster rcnn和mask rcnn效果不明顯的原因是anchor很密，GIoU發(fā)揮作用的情況并不多。

總體來說，文章的motivation比較好，指出用L1、L2作為regression損失函數(shù)的缺點，以及用直接指標(biāo)IoU作為損失函數(shù)的缺陷性，提出新的metric來代替L1、L2損失函數(shù)，從而提升regression效果，想法簡單粗暴，但work的場景有很大局限性。

總結(jié)

以上是生活随笔為你收集整理的CVPR2019目标检测论文看点：并域上的广义交的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。