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) 是物体检测领域最经常使用的评价指标，用于衡量任意两个形状之间的类似性。IoU 将物体的形状信息，如：width，height，and locations of two bounding boxes，编码为 region property，而后计算一个聚焦于该区域的度量。这个性质使得 IoU 对 scale 有不变性。因为具备这样的特色，IoU 被普遍的应用于物体检测，分割，跟踪等任务。

 

从上述内容能够发现，最小化经常使用的损失 与 改善他们的 IoU 值，之间并无强烈的关系。如图 1（a）所示：（绿色的BBox 为真值，黑色的为预测的结果）

为了简化起见，咱们假设两个 BBox 的一个角固定，因此，任何预测的 BBox，只要第二个角在圆周线上，将会产生相同的 l2-norm distance；然而，IoU值却明显的不一样。能够发现，regression loss 的优化 和 IoU values 之间的 gap，并不能很简单的跨越。

 

本文针对该问题，探索了 IoU 的新的计算方法。做者这里借鉴了 UnitBox 的思想，直接将 BBox 做为优化目标进行回归。因此，将 IoU 做为 2D 物体检测任务的目标函数就更适合了。可是，IoU 做为 metric 和 loss 有以下的不足：若是两个物体根本没有重合，那么 IoU value 将会是 0，而且不会反应两个 BBox 到底有多远。在这种不重合的状况下，若是用了 IoU 做为损失函数，那么梯度将会为 0，没法进行优化。

 

在本文中，做者经过解决这个不重合的问题，克服了 IoU 的弱点。做者确保其拓展版本的有以下的特性：

a). 与 IoU 同样，拥有相同的定义，即：将对比物体的形状属性编码为区域属性（region property）；

b). 保持了 IoU 的尺寸不变性；

c). 确保了在重合物体上与 IoU 的强烈相关性；

咱们引入该 generalized verison of IoU, named GIoU, 做为一种新的对比方式。也提供了一种分析性的方案，来计算 GIoU，容许其做为 loss function。将 GIoU loss 引入到顶尖的物体检测算法中，咱们的方法稳定的提高了其在主流物体检测benchmark 上检测性能。

 

2. Generalized Intersection over Union : 

常规的 IoU 的定义以下：

 

IoU 有以下的两个优点：

1). IoU 做为距离，能够看作是一种 metric；

2). IoU 对问题的尺寸具备不变性（Invariant to the scale of the problem）；

与此同时，也有以下的一个劣势：若是两个 BBox 不重合，那么其 IoU 得分就是 0。那么，此时的 IoU 没法反映出两个BBox 真实的距离。

 

做者提出的 GIoU 能够很好的解决这个问题，具体的计算方式以下：

 

首先，计算两个 BBox  A 和 B 的 smallest convex shapes C, 同时包含 A and B; 

而后，咱们计算以下的比值：分子是 排除 A 和 B 后的 C的区域，分母是 C 的总面积；这个表达了 A 和 B 之间的空闲区域的大小比例；

最终，将 IoU 的值，减去上述的比值，就能够获得 GIoU 的值。 

 

上图中的绿色区域，即展现了所要计算的区域 C 的面积。

 

3. Experiments：