1.动机
现在大多数改进方案都是从网络框架和backbone出发
IoU
1.黑框-bbox；绿框-groundtruth
2.用右下角和左上角来表示bbox，即（x1，x2，y1，y2）
3.相同的n-范数（如l2-norm）距离，不同的IoU阈值
4.相同的IoU阈值，不同的w\h比例，具有不同的客观价值
5.随着参数增加（比如旋转），复杂度也增加→引入anchor
→在优化回归损耗和IoU值之间仍然存在差距
- IoU同时作为指标（metric）和损失（loss），问题：如果两个物体不交叠，那么IoU为零，而不会反映两个形状之间的距离。这种情况下，如果IoU用作一个损失（loss），那么它的梯度就是零而不会被优化。
2.贡献点
GIoU
（a）遵循与IoU相同的定义，即将比较对象的形状属性编码为region属性；
（b）保持IoU的尺度不变性；
（c）确保在对象重叠的情况下与IoU有很强的关联性。
（d）提供了一种用于计算两个轴对齐的矩形之间的GIoU的解析解决方案
3.方案
3.1 IoU
• IoU作为距离，例如L（IoU）= 1-IoU，是一个衡量标准。 它表示所有指标的所有属性，例如非负性，不可识别的身份，对称性和三角不等式。
• 两个任意形状A和B之间的相似性独立于其空间S的大小
• 如果| A∩B | = 0，则IoU（A，B）= 0。 在这种情况下，如果两个形状彼此相邻或彼此距离很远，IoU不会反映出来。
3.2 GIoU
- 类似于IoU的L（IoU）= 1-IoU，L（GIoU）= 1-GIoU。
- GIoU不会影响问题的规模
- GIoU始终是IoU的下限，任意A,B属于 S， GIoU(A,B)≤IoU(A,B),而当A和B的形状一样时GIoU=IoU
- 1≤ GIoU(A,B)≤-1. 且：
- .
3.3 计算方式
1）先找到最小的形状C，包围A\B
2）为了比较两种特定的几何形状类型，C可以来自同一类型。
3）计算C占用的体积（面积）（不包括A和B）之间的比率，然后除以C占用的总体积（面积）。
3.4 As a loss
不重叠的情况下，IoU的梯度均为零，这会影响训练质量和收敛速度,相反，GIoU在所有可能的情况下（包括非重叠情况）都有一个梯度。