1、论文

题目：《SIoU Loss: More Powerful Learning for Bounding Box Regression》
参考博客： https://blog.csdn.net/qq_56749449/article/details/125753992

2、原理

有关IoU损失函数，像GIoU、DIoU、CIoU都没有考虑真实框与预测框之间的方向，导致收敛速度较慢，对此SIoU引入真实框和预测框之间的向量角度，重新定义相关损失函数。
SIoU loss包括四个部分：Angle cost、Distance cost、Shape cost、IoU loss

2.1 角度损失Angle cost

角度损失函数：


当α=π/2 或 0（即x = 1 或 0）时，角度损失最小
注意：在训练过程中，若α<π/4 ，则最小化α，否则最小化β。

2.2 距离损失Distance cost

距离损失函数：

当α→ 0时，距离损失降低；α→ π/4 时，距离损失达到最大。

2.3 形状损失Shape cost

形状损失函数：

2.4 IoU

IoU损失函数：

综上，最终SIoU loss损失函数为：