交並比（intersection over union，簡稱iou），是目標檢測中的乙個非常重要的概念，也是進行目標檢測的乙個重要方法。首先我們來簡單了解一下交並比的概念。
黃色的是訓練樣本的真實邊框，而另乙個是神經網路的**框，兩個框的交集的面積與兩個框的並集面積的比值稱之為交並比。如果兩個框的交並比越大大則說明目標定位約準確。在以往的目標檢測演算法中一般都是將兩個框的座標的範數，也就是圖中框框左上角的座標的距離作為誤差進行反向傳播。那麼為什麼不能將iou直接進行反向傳播呢？iou有一些缺點，例如，對於沒有交集的兩個框其iou始終是0，這樣的話在不想交的情況下，無法判斷兩個框之間的距離，不能返回足夠的梯度使網路收斂。而且iou是無法區別兩個框子是否是對齊的。放一張圖：
可以直觀的得出乙個結論，即使是在範數相同的情況下，兩個框的重合方式也是千差萬別，導致了其交並比的不同，所以可以看出將交並比直接作為損失傳回去似乎更加有效。
由於iou的固有缺點，所以**generalized intersection over union提出一種廣義交並比（giou）的概念，主要就是解決了iou作為loss回傳時的缺點。
i ou
=∣a∩
b∣∣a
∪b
∣iou=\frac
iou=∣a
∪b∣∣
a∩b∣
iou有兩個非常好的優點：
但是也有兩個主要缺點：
其思想為，用乙個最小的閉合圖形c把a和b包含進來，計算c中除了a和b的面積與c的面積之比，giou就是iou減去這個比值。
與iou還有不同的一點是，iou只關心兩者之間的交集，而giou則還關心在c中a與b之外的空間，如果a和b不是對齊的話那麼c就會變大，如圖三所示。
可以看到無論a和b是否相交，giou都可以返回足夠的梯度。
目標檢測交並比（IoU）理解
交並比 intersection over union，iou 目標檢測中使用的乙個概念 是產生的候選框 candidate bound 與原標記框 ground truth bound 的交疊率 即它們的交集與並集的比值。最理想情況是完全重疊，即比值為1。基礎知識 交集 集合論中，設a，b是兩個集...
目標檢測 IOU（交並比） 理解筆記
目標檢測中使用的乙個概念 是產生的候選框 candidate bound 與原標記框 ground truth bound 的交疊率 即它們的交集與並集的比值。最理想情況是完全重疊，即比值為1。交集 集合論中，設a，b是兩個集合，由所有屬於集合a且屬於集合b的元素所組成的集合，叫做集合a與集合b的交...
兩個矩形的交並比（IOU）
由於最近的專案裡面要用到，雖然是個小東西，但還是來記錄一下.現在我們知道矩形t的左下角座標 x0,y0 右上角座標 x1,y1 矩形g的左下角座標 a0,b0 右上角座標 a1,b1 這裡我們可以看到area roit 跟arae roig 在確定座標而不確定兩個矩形是否相交的情況下，為已知的常量 ...