目标检测中的回归损失函数系列二：IoU Loss

IOU Loss

出自论文：https://arxiv.org/pdf/1608.01471.pdf

L1 和L2 loss是将bbox四个点分别求loss然后相加，并没有考虑靠坐标之间的相关性，而实际评价指标IOU是具备相关性。

看一张图关注IoU部分（GIoU先不管）：

图中第一行，所有目标的L1 Loss都一样，但是第三个的IoU显然是要大于第一个，并且第3个的检测结果似乎也是好于第一个的。第二行类似，所有目标的L1 Loss也都一样，但IoU却存在差异。因此使用bbox和ground truth bbox的L1范数，L2范数来计算位置回归Loss以及在评测的时候却使用IoU(交并比)去判断是否检测到目标是有一个界限的，这两者并不等价。

基于此IoU Loss被提出，其将4个点构成的box看成一个整体进行回归。如图：

上图展示了L2 Loss和IoU Loss 的求法，图中红点表示目标检测网络结构中Head部分上的点（i,j），绿色的框表示GT框, 蓝色的框表示Prediction的框。
IoU loss的定义如上，先求出2个框的IoU，然后再求个-ln(IoU)，在实际使用中，实际很多IoU常常被定义为IoU Loss = 1-IoU。
其中IoU是真实框和预测框的交集和并集之比，当它们完全重合时，IoU就是1，那么对于Loss来说，Loss是越小越好，说明他们重合度高，所以IoU Loss就可以简单表示为 1- IoU。

算法流程如下：

看下IoU Loss和L2 Loss的结果对比如下：

显然IoU Loss比 L2 Loss更胜一筹，随着迭代次数的增加具有更低的loss，预测框的更准