边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。一、L2-norm 最初的基于回归的BBR损失定义为L2-norm，L2-norm损失主要有两个缺点：1、边界框的坐标（以xt、xb、xl、xr的形式）被优化为四个独立变量。这个假设违背了对象的边界高度相关的事实。简单的分开计算每个变量的回归loss无法反映这种相关性，它会导致预测框的一个或两个边界非常接近GT，但整个边界框是不满足条件的。2、这种形式的损失函数并不能屏蔽边界框大小的干扰，使得
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU文章目录《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoUIoU出现背景什么是IoU？IoU发展历程GIoU（CVPR2019）DIoU（AAAI2020）CIoU（AAAI2020）EIoU（arXiv2021）αIoU（NeurlPS2021）SIoU（arXiv2022）各IoU源代IoUGIoUDIoUCIoUIoU出现背景目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU文章目录《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoUIoU出现背景什么是IoU？IoU发展历程GIoU（CVPR2019）DIoU（AAAI2020）CIoU（AAAI2020）EIoU（arXiv2021）αIoU（NeurlPS2021）SIoU（arXiv2022）各IoU源代IoUGIoUDIoUCIoUIoU出现背景目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数
