GIoU Loss 损失函数浅析

最新推荐文章于 2026-06-04 14:13:20 发布
原创 最新推荐文章于 2026-06-04 14:13:20 发布 · 1.6w 阅读 · 41
GIoU Loss是针对目标检测中预测边框与实际边框对比的损失计算方法，弥补了基于距离损失函数的不足。当预测框与真实框不相交时，IoU为0，导致梯度消失。GIoU引入包围两框的最小体积C，通过计算C中排除A和B的体积占比，解决了这一问题。1-GIoU作为损失函数，能更好地反映框之间的相似性，且在[0,2]区间内，重叠越大，损失越小。" 88627007,7746742,深入理解计算机网络体系与功能,"['计算机网络', '网络协议', '局域网', '广域网', '拓扑结构']

GIoU Loss

参考文献：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

GIoU是源自IoU的一种边框预测的损失计算方法，在目标检测等领域，需要对预测边框（pre BBox）与实际标注边框（ground truth BBox）进行对比，计算损失。在Yolo算法中，给定预测值与ground truth的 x\y\w\h 进行预测，采用回归损失。但实际上，回归损失并不是该问题的最好损失函数，因为其只关注 x\y\w\w 对应的“距离”，而本质上我们想要得到 IoU 值比较大的预测框，两者联系并不大。那么为什么不直接采用IoU值作为损失函数呢？ 因为一旦预测框与真实框不相交，那么IoU都为0，也就是说，在很大的范围内（不相交的区域），损失函数是没有梯度的，因此才有了GIoU Loss（Generalized Intersection over Union）。

1 为什么基于距离的损失函数不行？

在这里插入图片描述
如上图所示，在基于L1和L2范数的度量下，距离相同的两个框框，实际IoU值可能相差很远，所以说，这类损失函数在预测边界框时并不是一个好的选择！

2 GIoU的定义

标签
#目标检测 #损失函数 #图像处理 #深度学习 #GIoU
最低0.47元/天 解锁文章
[GiouLoss]：网络目标跟踪算法中常用的损失函数
.
03-29 1052
GiouLoss是一种基于IoU(Intersection over Union)操作的损失函数，其能够有效地衡量预测框和真实框之间的相似度。GiouLoss不仅包括IoU操作所包含的交集和并集部分，还考虑了预测框和真实框之间的边界差异，从而使得该损失函数更加全面和准确。该损失函数不仅能够有效地提高算法准确率，还能够提高算法的鲁棒性和对抗性攻击的鲁棒性。总之，GiouLoss作为一种先进的目标跟踪损失函数，是网络目标跟踪领域一个重要的研究方向。表示预测框和真实框之间的重叠区域占总区域的比例；
IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 8067
IoU、GIoU、DIoU、CIoU四种损失函数总结
【GIoU loss】GIoU loss损失函数理解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 1万+
文章目录1 引言2 问题分析3 GIoU Loss计算过程4 IoU和GIoU对比分析5 感谢链接 1 引言 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。 Bounding Box Regression Loss Function的演进路线是： Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss 之前写到了
损失函数详解——IoU、GIoU、DIoU、CIoU
最新发布
Cupid_kl的博客
06-04 725
目标检测中IoU损失函数的改进历程 传统IoU损失函数存在梯度消失、方向不明确和收敛缓慢等问题。为解决这些问题，研究者提出了系列改进方案： GIoU：通过引入最小包围框解决完全不相交时的梯度消失问题，但存在水平和垂直方向优化困难、收敛慢的缺陷。 DIoU：在IoU基础上加入中心点距离惩罚项，有效解决预测框在真实框内部时的优化问题，但无法处理宽高比差异。 CIoU：在DIoU基础上引入宽高比一致性惩罚，通过动态权重机制实现不同训练阶段的优化重点调整。 这些改进使IoU损失函数在不同场景下都能提供有效的梯度信息
目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss
JulyLi2019的博客
12-04 4601
之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
热门推荐
路人贾的博客
06-20 4万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
GIoU DIoU CIoU loss 损失函数
不佛的博客
12-01 1万+
目标检测任务中，Bounding Box的评估指标是IoU，IoU范围在(0,1)(0,1)(0,1)之间，具有尺度不变性，而且可以衡量各种形状的匹配程度。我们自然会考虑能否将IoU设计为一个损失函数。 IoU loss 最简单的，直接将1-IoU定义为损失，我自己在简单的目标检测项目中尝试过，基本没有办法学习，主要原因是：当预测框和目标框不相交时，IoU始终为0，损失函数不可导，无法优化。 另外这种损失定义方式无法区分IoU的各种情况，同样的IoU值，重叠形状可以有许多种，它们在效果上是有差异的，因此
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU
何少的博客
02-23 2万+
在实际中，需要用预测概率去拟合真实概率，而拟合one-hot的真实概率函数会带来两个问题： 无法保证模型的泛化能力，容易造成过拟合； 全概率和0概率鼓励所属类别和其他类别之间的差距尽可能加大，而由梯度有界可知，这种情况很难adapt，会造成模型过于相信预测的类别。 因此，为了减少这种过于自信，同时减缓人为标注的误差带来的影响，需要对p(x)进行变化：
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
athrunsunny的博客
02-03 3万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。
【目标检测】损失函数：不同损失函数概念及其代码实现
chu-xia的博客
01-22 5363
本篇文章介绍目标检测中不同的损失函数概念及其代码实现。目标检测主要任务为实现目标的分类与定位类别/置信度损失位置损失。
IoU、GIoU、DIoU、CIoU损失函数
吴建明wujianming_110117
05-31 4886
IoU、GIoU、DIoU、CIoU损失函数 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是 一、IOU(Intersection over Union) 特性(优点) IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法。作用不仅用来确定正样本和负样本，还可以用
基于IOU的损失函数合集, IoU, GIoU, DIoU,CIoU, EIoU
学生的博客
07-27 1万+
目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数）两部分构成。
目标检测中的各种IoU Loss（IoU、GIoU、DIoU、CIoU）
weixin_42384432的博客
08-01 1万+
IoU Loss 对于检测框B和groundtruth G，二者的IoU如下： 那么IoU Loss即为-log(1-IoU)。 显然IoU Loss具有非负性、尺度不变性、同一性、对称性、三角不等性等特点，所以可以用于bounding box的回归任务中。 但同时，IoU Loss也存在一个很致命的缺点： 当B与G的IoU为0时，Loss也为0，网络无法进行训练。因此IoU loss在回归任务中的表现并不好。 GIoU Loss 论文：https://arxiv.org/abs/1902.09630
【目标检测算法】IOU、GIOU、DIOU、CIOU与YOLOv5损失函数
三木今天学习了嘛の博客
10-03 2万+
YOLOv5使用二元交叉熵损失函数计算类别概率和目标置信度得分的损失。YOLOv5使用 CIOU Loss作为bounding box回归的损失。介绍了IOU、GIOU、DIOU、CIOU的定义和不足。
GIoU Loss（Generalized Intersection over Union Loss）损失函数解析
浩瀚之水的专栏
03-27 1376
​GIoU Loss 是IoU Loss的改进版本，旨在解决基础IoU Loss在预测框与真实框无重叠时梯度消失的问题。通过引入最小闭合区域，GIoU Loss能够有效优化非重叠框的定位，同时保持尺度不变性，广泛应用于目标检测的边框回归任务。
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 4825
一、IOU Loss上一篇文章提到L1,L2及其变种只将Bounding box的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。文章链接：https:...
详解GIoU、DIoU、CIoU Loss
nwpuxhld
03-04 9881
GIoU、DIoU、CIoU详解GIoU、DIoU、CIoUGIoU优势核心实现公式CodeDIoU(Distance-IoU)MotivationContributionsDetailResultDiscussion GIoU、DIoU、CIoU 随着IoU Loss在目标检测领域的应用，最近有几篇典型的工作提出去改进IoU Loss，本文将依次介绍GIoU、DIoU和CIoU Loss GIoU 优势 首先可以实现较全场景以类IoU Loss为目标直接优化，使得优化目标和最终的评估目标一致。由于IoU
【YOLO改进】换遍IoU损失函数之GIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-28 1386
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用GIoU损失函数替换YOLO中常用的CIoU损失函数。
目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现
qq_40716944的博客
12-28 8731
IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。
目标检测中的损失函数IoU、GIoU、DIoU、CIoU、SIoU
CHEN的博客
06-14 2万+
目标检测中的一些常用的IOU损失函数优缺点比较以及代码实现，以及最新出来得SIoU损失函数
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值