GIoU与DIoU损失详解

    YOLOv3使用DIoU_loss训练！DIoU_loss是新提出的损失函数，比GIoU_loss有一定优势。那么DIoU_loss是如何计算的呢？本文带你解密。

    本文是对仓库：https://github.com/miemie2013/Keras-DIOU-YOLOv3的解读。

1.GIoU

    GIoU的提出是为了替换bbox回归损失函数，将wh损失和xy损失合二为一。GIOU的公式如下：

    两个矩形A和B，一个是预测框，一个是ground truth。不妨设A是预测框，B是ground truth。矩形C是包围A和B的最小矩形。

2.DIoU

    Diou_loss的公式

当矩形A和B相离得很远时，惩罚项的值是接近于1的（比1小）；当矩形A和B逐渐靠近时，惩罚项的值会慢慢减少到0。同样是一个很简单的惩罚项，使相离的两个矩形慢慢靠近。

    diou_loss能更快地让预测框贴合ground truth。至于为什么这样，可以分别对giou_loss和diou_loss求一次梯度（对x0,y0,x1,y1求偏导），对比更新公式，比较更新幅度。这里给出giou_loss对x0求偏导的一个示范，以抛砖引玉：

是一个比较复杂的结果。