Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
IoU是一个很常见的评估度量，然而我们在做检测的时候预测的往往不是直接的IoU，而是去预测bbox的坐标
然而IoU并不是那么好直接作为预测目标，对于匹配的anchor，IoU是可以计算的，但是对于与gt不相交的bbox，IoU为0，优化无法继续
本篇文章不是第一个优化IoU的
an approximate function Optimizing intersection-overunion in deep neural networks for image segmentation.
a surrogate loss The lovaszsoftmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks.
Acquisition of localization confidence for accurate object detection
Unitbox: An advanced object detection network.
上面提到了IoU的第一个问题，这个问题也不是没有办法解决的，因为loss为0不会影响其他loss的收敛，只要回归的loss能够继续收敛，就不会出现IoU-loss始终为0的情况
第二个问题是作者提出来的一个关键问题
IoU无法正确区分两个对象的不同对齐方式。这种情况可以见下图
作者这种想法是很有道理的，因为虽然上面这几种情况IoU是一样大的但是明显前两种种情况对于我们来说是更有利的。
GIoU的定义很简单，就是先计算两个框的最小闭包区域面积，再计算IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。
- 与IoU相似，GIoU也是一种距离度量，作为损失函数的话，$\mathcal{L}_{GIoU}=1-GIoU$，满足损失函数的基本要求
- GIoU对scale不敏感
- GIoU是IoU的下界，在两个框无线重合的情况下，IoU=GIoU
- IoU取值[0,1]，但GIoU有对称区间，取值范围[-1,1]。在两者重合的时候取最大值1，在两者无交集且无限远的时候取最小值-1，因此GIoU是一个非常好的距离度量指标。
- 与IoU只关注重叠区域不同，GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度。
上面这个图可以很好的反映GIoU和IoU的关系
可以看到的是，这种改进对于loss来说是非常好的避免了无法匹配时候IoU无法训练的情况，使得IoU的训练可以独立出来
可以看到，GIoU的计算并不复杂，但是最小闭包不是那么好算的，幸运的是，物体检测里主流算法用的框正好是水平矩形框，所以只需要maxmin就可以界定最小闭包
所以这个思想如果要扩展到任意四边形的检测框架中不一定真的很好实现
| plateau | 停滞期 |
| metric | 度量 |
| address the weaknesses | 解决弱点 |
| derivative | 导数 |