added ious

_posts/deep_learning/2024-01-11-iou.md

@@ -77,10 +77,25 @@ v = \frac{4}{\pi^2}(arctan{\frac{w^{gt}}{h^{gt}}} - arctan{\frac{w}{h}})^2,
 \alpha = \frac{v}{(1 - IoU) + v}
 $$
 
-- $v$: 두 box의 `aspect ratio` (종횡비)의 일치성을 측정
-- $\alpha$: positive trade-off parameter로 non-overlapping case와 overlapping case의 균형을 조절 (특히, non-overlapping area factor가 regression loss에 더 높은 순위를 갖게 한다.)
+- $v$: 두 box의 가로/세로 비율에 대한 연속성(?)을 측정
+- $\alpha$: positive trade-off parameter로 겹치는 영역이 값이 높은 우선순위를 갖도록 하여 겹치는 경우와 겹치지 않는 경우에 대한 균형을 조절한다.
 
 
+이는 기존의 cluttered objects에 대해서 `NMS`를 진행할 때, occlusion으로 인해서 제대로 예측한 `bounding box`가 사라지는 문제를 해결하는 데에도 도움이 된다. 
+
+$$
+s_i =
+    \begin{cases}
+      s_i & IoU - R_{DIoU}(M, B_i) \lt \epsilon\\
+      0 & IoU - R_{DIoU}(M, B_i) \geq \epsilon
+    \end{cases} 
+$$
+
+- $\epsilon$: threshold
+- $s_i$: score
+
+> 중심 거리가 멀면서 `IoU`가 큰 경우에는 다른 물체를 감지하였을 가능ㅎ성이 있기 때문에 삭제하지 않는다.
+
 ## References:
 
 - [Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression