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：
