DIoU YOLOv3 | AAAI 2020: 目标框回归损失更加稳定有效

DIoU较GIou更适合用于目标框回归机制中，在综合考量了目标与anchor之间的距离、重叠率以及尺度三个要素后，在实际应用中能够使目标框回归过程更加稳定可靠，并且能够避免了IoU和GIoU在训练阶段可能出现发散等不稳定现象。
https://arxiv.org/pdf/1911.08287.pdf
https://github.com/Zzh-tju/DIoU-darknet

1：IoU & GIoU存在的问题分析

研究者采用了仿真的方法从实验结果角度指出了IoU与GIoU存在的局限性该研究通过图像数据集展示了这一发现

最终实验结果如下：图中展示了训练相同代数后（200代），三个损失值在每个锚框上的误差分布情况。
一：IoU误差曲线显示，在IoU误差曲线上可以看到，在边界附近的锚框会产生较大的偏差；而对于那些与目标框无交集的锚框，则几乎无法实现准确收敛。
二：GIoU误差曲线表明，在GIoU误差分析中发现，在某些没有交叠区域的情况下（即目标框为空的情况），虽然GIoU表现得比IoU更好一些；但因为其仍然严重依赖IoU指标，在两个正交方向上会出现较大的偏差值，并且难以达到