現在來更加了解準確度這件事吧!
在前面有講過 IoU ，它是用來跟標準框比較的準則，當它的值（０～１）大於設定的臨界值，偵測到目標物件的機率就較高；相反的，如果 IoU 低於臨界值，那筆資料就有可能被捨棄。

接著再認識 GIoU、DIoU 和 CIoU！

GIoU （Generalized Intersection over Union）

考慮到檢測框和 ground truth 沒有出現重疊的時候，IoU 的 loss 都是一樣的，因此 GIoU 就加入了 C檢測框，這樣就可以解決檢測框和真實框沒有重疊的問題。但是當檢測框和 ground truth 之間出現包含的現象的時候 GIoU 就和 IoU loss 是同樣的效果了！

C 檢測框是包含了檢測框和 ground truth 的最小矩形框

DIoU （Distance-IoU）

DIoU 考慮到 GIoU 的缺點，也是增加了 C 檢測框，將 groud truth 和預測框都包含進來，但是 DIoU 計算的不是框之間的交集，而是計算的每個檢測框之間的＂歐氏距離＂，這樣就可以解決 GIoU 出現的問題。

歐式距離：是最易於理解的一種距離計算方法，源自 n 維空間中兩點間的距離公式。

CIoU （Complete-IoU）

DIoU 利用計算兩個中心點的距離達到加速收斂的效果，但尚未解決能夠更好重疊的這個問題。
在論文中，預測 bbox 的三個重要因素為：重疊面積、中心點距離、長寬比。

IoU 考慮了重疊區域，GIoU 解決了非重疊時的收斂問題，DIoU 則是考慮了重疊區域和中心點距離，所以 CIoU 就基於 DIoU 多考量一個長寬比。

CIoU 的 loss 函數定義如下，跟 DIoU 相比多增加一個 αv，α 是用來平衡比例的權重參數，而 v 是用來度量長寬比的相似度。

這就是 IoU 一路進化到 CIoU 的過程！

圖片來源1
圖片來源２
圖片來源３