目录
一、IOU
二、GIOU
三、DIOU
四、CIOU
五、性能对比
一、IOU
1. IOU 即为交并比，图像如下。
图一
可以想当然的把IOU当作训练的Loss， 比如Loss = 1 - IOU， 当两个物体越接近为同一个物体时候，则IOU越接近1，则loss越小。这样模型就可以通过不断降低loss来使得模型得出更好的预测结果。
2. 缺点：
1）当两个框不相交的时候，IOU=0， Loss = 1 - IOU =1， 将梯度传回，当两个框相距较远时候，调整预测框的位置，其IOU也等于0，这样会导致预测框经过多次调整后Loss还是等于1，这样网络需要很多次迭代（随机尝试），才有可能达到两个框有交集，进而再不断减小Loss。（迭代时间长，可能出现Loss一直不变的情况）
2）loss仅仅与两个框的交并比有关，及相交面积有关。但如下图中，三者的相交面积一样，但是重合度却差很多。感觉可以再增加一个值，即两个框中心点的距离，即 Loss = 1 - IOU + Distance_two_center，这样更合理一点，距离越远，惩罚越多。
图二
二、GIOU
其中Ac 表示一个最小的封闭形状（框）将计算交并比的两个框包含起来的面积（图一中的(X22-X11)*(Y22-Y11)）。 然后公式的后者等于在两个离的很远的框的情况上增加了一个惩罚。 故 Loss = 1 - GIOU ， 即在 1 - IOU的基础上增加了一个 |Ac - U|/Ac 的惩罚，两个框离的越远惩罚越大。
这样可以解决
1： 在两个框不相交情况下 Loss恒等于1的情况。
2：两个框越远 Loss 越大，故有目的的让网络拉近预测框和真实框直接的距离。
三、DIOU
图三
其Loss函数为：
其中 b和bgt 分别表示 Anchor 和 目标框的中心点， 而p^2 表示两个中心点的欧式距离， c表示包含两个框最小框的斜对角线长度。
DIOU 在原先IOU的基础上 多考虑了
1）重叠区域面积 即 p^2 (b, b^gt) / c^2
2） 中心点的距离 即： p^2( b, b^gt )
优点：
1）比直接IOU来说，可以在两个框不相交的情况下，根据后面的惩罚 p^2(b,b^gt) 来拉近两个框的距离
2）较GIOU来说，DIOU是直接在两个框的中心点距离作为惩罚，拉近两个框的距离的速度远大于GIOU
3）在下面图四的情况下，GIOU直接退化成IOU，不能有效的拉近两个框的距离，而DIOU根据中心点距离可以快速拉近两个框的距离，进而使Loss快速下降。
4）可以应用中NMS中替代IOU，IOU对于很多同类物体相互遮挡情况下，容易将遮挡的物体（框）剔除掉，而DIOU增加了中心点距离参数，则减少值，抑制NMS剔除相近的遮挡物体的框。 DIOU<IOU
图四
四、CIOU
CIOU 在DIOU上增加了长宽比的惩罚，其中 α为权重系数，v 来衡量长宽比的相似性。
其中：
五、性能对比
Yolo v3 在 PASCAL VOC 上的 测试结果
