出自论文：https://arxiv.org/abs/1902.09630
代码：https://github.com/generalized-iou/g-darknet
目标检测中的回归损失函数系列二：IoU Loss已经讲过IoU Loss，GIoU是对IoU的改进，我们再看一次下面这张图：
IoU Loss = 1-IoU，其中IoU可以由下计算得到：
A，B是预测框和真实框，对应上图中的绿色框和黑色框。
综上可以看出两个问题：
- 预测框bbox和ground truth bbox如果没有重叠，IOU就始终为0并且无法优化。也就是说损失函数失去了可导的性质。
- IOU无法分辨不同方式的对齐，例如方向不一致等，如下图所示，可以看到三种方式拥有相同的IOU值，但空间却完全不同。
GIoU Loss基于此提出，它的计算很简单，对于两个框 A，B。先计算出它们的最小凸集（包围A、B的最小包围框）C，其次结合C这个最小凸集，计算出GIOU，定义如下：
同样的，与IoU Loss一般，GIoU Loss = 1 - GIoU。
论文中给出的计算GIoU算法流程如下：
当A、B两个框重合时，即
由公式算出GIoU = IoU = 1。
当两个框没有重叠时，IoU=0，
A，B相隔无穷大时，GIoU = -1，所以-1 <= GIoU <= 1。
很显然，当两个框不重合时，IoU始终为0，不论A、B相隔多远，但是对于GIoU来说，A，B不重合度越高（离的越远），GIoU越趋近于-1。
因为由上述公式推导看到，当IoU = 0的时候。A，B的并集值不变，最小化GIoU Loss就是要最大化GIoU，最大化GIoU就是要最小化 C ，最小化C就会促成两个框不断靠近。
IoU Loss 和 GIoU Loss的算法流程如下：
看看它们的效果对比：
三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。使用GIoU计算出来也是左边 > 中间 > 右边 = 0.33>0.24>-0.1
综上可以知道，与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度
参考
https://mp.weixin.qq.com/s/CNVgrIkv8hVyLRhMuQ40EA
https://zhuanlan.zhihu.com/p/63389116
https://zhuanlan.zhihu.com/p/94799295
