DIoU YOLOv3：更加稳定有效的目标框回归损失

文章预览

点击上方“ CVer ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转载自：yuanCruise DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。 https://arxiv.org/pdf/1911.08287.pdf https://github.com/Zzh-tju/DIoU-darknet 《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》     IoU & GIoU存在的问题分析 论文作者通过一个仿真实现，从实验结果的角度说明了IoU和GIoU存在的问题。实验设定如下图所示: 绿色框代表仿真实验需要回归的七个不同尺度的目标框，七个目标框的中心点坐标都是（10 * 10）。 蓝色的点代表了所有anchor的中心点，中心点的分布如下图 ………………………………