1、IoU

• IoU为交并比，即对于pred和Ground Truth：交集/并集
  

1、IoU可以作为评价指标使用，也可以用于构建IoU loss = 1 - IoU
缺点：
2、对于pred和GT相交的情况下，IoU loss可以被反向传播，因为IoU不为0，可以计算梯度。但是二者不相交的话，梯度将会为0，无法优化。
3、pred和GT不相交时，IoU为0，因此无法判断二者距离是远还是近

4、IOU不能反映两个物体如何重叠（相交方式）。两种情况下的IOU均为0.14，但(a)中两框要比(b)中的相交更整齐一些。

2、GIoU(Generalized Intersection over Union)

• 考虑到上述IoU的缺点，在GIoU中做了改进。
  
• C是包含A与B的最小框，即两个框的外接矩形框
  

1、GIoU对不相交的情况下，不为0，因此使用GIoU loss = 1 - GIoU可以进行梯度的反向传播
2、GIoU可以反应二者的相交情况，对的更齐时GIoU更大，例如上面的第二幅图
3、GIoU可以更好的反应pred和GT之间的距离情况

3、DIoU

• DIoU主要考虑了如下的情况
  
• 即pred完全在GT内部，IoU和GIoU就相同了，不能判断pred中心位置是否接近GT中心
• 因此，DIoU Loss是在IoU Loss基础上引入一个距离惩罚项，定义如下：
  
• 上述损失函数中，b，bgt分别代表了anchor框和目标框的中心点，且$$代表的是计算两个中心点间的欧式距离。c代表的是能够同时覆盖anchor和目标框的最小矩形的对角线距离，相当于做了归一化：d/c，如下图所示。
  

1、与GIoU loss类似，DIoU loss在与目标框不相交时，梯度不为0，可以进行优化。
2、收敛更快：DIoU loss可以直接最小化两个目标框的距离，而GIOU loss优化的是两个目标框之间的面积，因此比GIoU loss收敛快得多。
3、对于包含两个框在水平方向和垂直方向上这种情况，DIoU损失可以使回归非常快，而GIoU损失几乎退化为IoU损失

• DIoU要比GIoU更加符合bbox回归的机制，将GT与pred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。

4、CIoU

• 考虑到pred和GT之间的长宽比也是很重要的，因此CIOU Loss又引入一个box长宽比的惩罚项：
  
  

参考链接：https://blog.csdn.net/leonardohaig/article/details/103394369