广义交并比-GIOU（回归检测的一种指标和Loss）
注释
- 本系列《论文翻译》仅代表个人观点
- 目的提高英文阅读能力
- 错误之处较多，欢迎读者修正，在此感谢
1. 摘要
目标检测的评价指标最常使用的是交并比进行度量。然而在优化（经常使用距离参数对边界框进行回归）和最大化（最大化这个度量参数）之间存在一些缺陷（这里指代价函数和优化目标之间存在不对等情况，具体看后文就会明白）。度量的最优目标就是其本身。在轴对称的情况下，IOU可以直接当做回归损失。然而，在不想交的情况下，IOU是不能当做度量值的。在本文中，我将通过介绍一种新的度量（GIOU）和LOSS计算方法来解决IOU的缺点。通过把GIOU融合进当前最先进的网络之中（数据集使用当前最流行的基准PASCAL VOC、COCO等），对比GIU和IOU，展示出GIOU一致的优于IOU的表现。
2. 介绍
框回归是2D、3D计算机视觉任务中最重要的组成部分之一。任务包括：目标定位、多目标检测、目标跟踪、依靠高精度的框回归实例级分割。 使用深度神经网络去提高应用的性能，占主导地位的方法是提出一个更好的基础架构或者更好的策略来提取更精确的特征。然而一个很好的提高方法被忽视，使用损失的度量方法IOU去代替回归损失（L1--LOSS、L2--LOSS）。
IOU又被称为Jaccard索引，常用来作为两个任意形状目标相似性对比。IOU对目标的形状属性进行编码，长宽高位置等，然后对他们的区域计算一个标准的度量。由IOU的计算属性，具有尺度不变性。由于这个良好的属性，所以被广泛的应用在分割和目标检测中进行性能评价。
然而，IOU没有表现出很好的相关性，对于 \(l_n-norms\) 等损失最小化（2D、3D中两个框参数化）和提高他们IOU值。例如：在图1(a)中，假设LOSS采用\(l_2-norm\)进行表示，则每个LOSS的大小相同。相同的论述可以推广到其他的loss（图b和图c）。直观上，一个好的目标局部最优不一定是IOU局部最优。和IOU相反，\(l_n-norm\) 是不具有尺度不变性的。为了这个目的，一些具有透视变换的区域（同一水平），那么他们计算出的LOSS就不相同。此外，一些不同的参数化类型表述之间可能缺少标准化。比如使用中心点和大小表示的\((x,y,w,h)\)，随着更多参数（旋转、或者增加一个维度表示）的合并，复杂度也会增加。为了解决上述的问题，一些优秀的检测器提出了锚的概念，来做一个初始化的假设。又定义一个非线性的参数来对尺度进行补偿。即使做了这些手动改变，也不无弥补优化器和IOU之间的差别。注释：这是表达的意思是我们进行训练最小化的东西A，评价的指标B，A和B之间没有统一（标准化）。例如，最小二乘法，我们最小化和评价的指标都是一个（平均垂直到线的距离最小）。而在目标检测的时候我们使用的是L1-LOSS，而评价的时候使用IOU。作者给出的图一发现这两个不统一。Anchor的出现是为了简化目标得表示方式，尺度参数的出现（SSD里面是编解码）是为了解决多尺度问题
在这篇文章中，