基于深度学习的目标检测技术的边框优化损失发展历程：Smooth L1 loss --- IoU_Loss(2016) --- GioU_Loss(2019) --- DioU_Loss(2020) --- CioU_loss(2020)
IoU_Loss:
存在的问题：
- 当预测框和目标框不相交时，IOU=0，无法反应两个框距离的远近，此时损失函数不可导，IOU_Loss无法优化两个框不相交的情况
- 当两个预测框大小相同，两个IOU也相同，IOU_Loss无法区分两者相交情况的不同
GIoU_Loss
GIoU_Loss在IoU_Loss基础上增加相交尺度的衡量方式，解决IoU优化问题
存在的问题：
状态1、2、3都是预测框在目标框内部且预测框大小一致的情况，这时预测框和目标框的差集都是相同的，因此这三种状态的GIOU值也都是相同的，这时GIOU退化成了IOU，无法区分相对位置关系。
DIoU_Loss
好的目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比
针对IoU和GIoU存在的问题，研究者从两方面考虑：
- 如何最小化预测框与目标框之间的归一化距离？
- 如何在预测框和目标框重叠时，回归的更准确？
针对第一个问题，提出DIoU_Loss(Distance_IoU_Loss)
DIoU_Loss考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU_Loss收敛的更快
尽管如此，DIoU_Loss未考虑到长宽比给预测框带来的影响
如图所示，当预测框和目标框中心点距离相同，按照DIoU_Loss的计算公式，三者的值都是相同的，未能有效区分差异
CioU_Loss：重叠面积、中心点距离、长宽比
因此可总结得到以下结论：
- IoU_Loss：主要考虑检测框和目标框重叠面积。
- GIoU_Loss：在IoU的基础上，解决边界框不重合时的问题。
- DIoU_Loss：在IoU和GIoU的基础上，考虑边界框中心点距离的信息。
- CIoU_Loss：在DIoU的基础上，考虑边界框宽高比的尺度信息。