多目标跟踪中的关联代价函数

概要

这篇博文简单介绍了在跟踪轨迹管理中用到的关联代价函数。

GIOU

code: https://paperswithcode.com/paper/generalized-intersection-over-union-a-metric

• IoU作为一个距离，例如LIoU=1−IoU，是一个度量（根据数学定义）[9]。它意味着LIoU满足了一个度量的所有性质，如非负性、不可识别性的恒等式、对称性和三角形不等式。
• IoU对尺度变量是不变的。这意味着两个任意形状A和B之间的相似性与它们的空间S的尺度无关。

IOU有个主要的缺点，如果|A∩B|=0，IoU（A，B）=0。在这种情况下，IoU不能反映两个形状是彼此靠近或彼此相距非常远。

因此，当试图将一个对象与丢失的几帧前的轨迹关联起来时，IoU可能会失败，因为边界框可能不会由于对象在丢失期间的运动而重叠。因此，引入的广义IoU（GIoU）作为另一种相似度描述符。方程表示GIoU：

原文公式：

实际代码公式：

其中，Ac表示包含两个边界框的最小矩形的面积。术语AUnion也用于IoU计算中，表示两个边界框所覆盖的总面积。

DIOU

code: https://paperswithcode.com/paper/distance-iou-loss-faster-and-better-learning

GIoU无法区分位于距离轨迹不同距离的两个边界盒。为了解决这个问题，引入了DIoU，它使用边界盒中心之间的欧氏距离作为相似性度量。

EIOU

paper: https://paperswithcode.com/paper/focal-and-efficient-iou-loss-for-accurate

DIoU在评估相似性时不考虑边界框尺寸的变化。为了克服这一限制，引入了EIoU，其中包括边界框的宽度和高度的一致性。

其中，∆h（box1，box2）表示边界框之间的高度差，而∆w（box1，box2）表示它们的宽度差。此外，hc和wc表示包含两个边界框的最小矩形的高度和宽度。