GIOU：对IOU的优化
IOU优缺点
目标检测中常常用iou来衡量proposal或anchor和gt之间的重合度，也就是他们之间的交并比，是目标检测中重要的评价尺度，鲜明的特点就是对尺度scale不敏感。然而没有方向信息，无法指导神经网络应该如何调整：
- 如果两个框没有交集，则IOU=0，不能反映两者距离的大小，并且loss=0，没有梯度回传，神经网络无法学习；
- IoU无法精确的反映两者的重合度大小
针对这两个缺点，有人提出了GIOU
GIOU
定义：先计算两个框的最小闭包区域面积，再计算闭包区域中都不属于两个框的区域占闭包区域面积的比重，再计算IOU，最后用IOU减去这个比重就能得到GIOU。解释一下什么是最小闭包区域，所谓最小闭包区域就是两个框的最小外接矩形啦，如图所示：包含黄色和红色的两个框的最小外接矩形就是最小闭包区域啦。
有如下特点
- 也是一种距离度量，满足损失函数要求
- 对scale不敏感
- GIOU的下界，在两个框重合的情况下，IOU=GIOU
- IOU取值[0,1]，而GIOU取值[-1, 1]，两者重合时为1，两者不重合，并且距离无线远的时候取值-1，因此是一个非常好的距离度量指标（因为两个框没有重合且距离无线远时，闭包区域中都不属于两个框的区域和最小闭包区域可看做相等，因此比值为1，iou减去这个比值就是-1）
因此比值为1，iou减去这个比值就是-1）
