SIoU介绍

SIoU loss

传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即 GIoU、CIoU、ICIoU 等）的距离、重叠区域和纵横比。然而，迄今为止提出和使用的方法都没有考虑期望的真实框和预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框在训练过程中可能会“四处游荡”，最终会产生一个更差的模型。

SIoU 提出了一种新的损失函数，重新定义了惩罚度量，考虑了期望回归之间的向量夹角。

SIoU =Distance cost（angle + distance）+Shape cost+IOU loss

考虑到了如下几个方面

1. Angle cost：
2. Distance cost考虑到上面定义的Angle cost，重新定义了Distance cost
3. shape cost定义

将 

应用于 

 与其他损失函数相比，提高了 

 (mAP@0.5:0.95) 和 +3.6%(mAP@0.5)