edit giou

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

@@ -23,17 +23,21 @@ tag: [iou, matrix]
 ----------------------------------------------
 ## [GIoU (Generaized IoU)](https://arxiv.org/abs/1902.09630)
 
-일반적으로 **IoU**는 `object detection`에서 평가지표로는 사용하지만, loss function에는 사용하지 않는다. 그렇기 때문에 실질적으로 `l1 loss`만으로는 아래와 같이 **IoU**를 1로 만들기는 힘들다고 할 수 있다. 
+- **IoU**의 문제점 1
+  일반적으로 **IoU**는 `object detection`에서 평가지표로는 사용하지만, loss function에는 사용하지 않는다. 그렇기 때문에 실질적으로 `l1 loss`만으로는 아래와 같이 **IoU**를 1로 만들기는 힘들다고 할 수 있다. 
 
-- `l2 loss`에 따른 **IoU**의 필요성 
-<img src='/assets/computer_vision/papers/iou/giou_a.png'>
+  - `l2 loss`에 따른 **IoU**의 필요성 
+  <img src='/assets/computer_vision/papers/iou/giou_a.png'>
 
-- `l1 loss`에 따른 **IoU**의 필요성
-<img src='/assets/computer_vision/papers/iou/giou_b.png'>
+  - `l1 loss`에 따른 **IoU**의 필요성
+  <img src='/assets/computer_vision/papers/iou/giou_b.png'>
 
-위와 같이 **IoU**는 예측한 `bounding box`에 따라서 `l1 loss`과 `l2 loss`는 동일하지만, **IoU**는 다르다는 것을 통해서 `object detection`에서의 최종 목표인 **IoU**를 1로 만드는 것과는 목적과 방법이 맞지 않는다.
+  위와 같이 **IoU**는 근본적으로 예측한 `bounding box`에 따라서 `l1 loss`과 `l2 loss`는 동일하지만, **IoU**는 다르다는 것을 통해서 `object detection`에서의 최종 목표인 **IoU**를 1로 만드는 것과는 목적과 방법이 맞지 않는다.
 
-이를 위해서 **GIoU**는 **IoU**를 loss function에 직접적으로 사용하기 위한 방법을 제시한다. 
+- **IoU**의 문제점 2
+  객체의 크기에 따라 **IoU**는 범위가 달라진다. 예를 들어, 큰 객체에 대해서는 큰 loss를 가지고, 작은 객체에 대해서는 작은 loss를 가질 수밖에 없다. 따라서, **GIoU**는 **scale-invariant**하다는 특징을 갖는다.
+
+이를 위해서 **GIoU**는 **IoU**를 loss function에 직접적으로 사용하기 위한 방법을 제시한다.
 
 **IoU**가 loss function에 직접적으로 사용되지 못한 이유는, 예측한 `bouding boxx`와 `ground truth`의 교집합이 없을 경우 어느 정도의 오차가 있는지 모르는데 `loss (= 1 - IoU)`는 지속적으로 1이 될 것이기 때문에 `gradient vanishing` 또는 학습에 악영향을 미치기 때문이다.