本研究主要关注物体检测领域中最受欢迎的衡量标准之一的交并比（IoU），提出了一种广义的 IoU（GIoU）作为新的回归损失和度量方式，并将其应用于现有的物体检测框架中，在 PASCAL VOC 和 MS COCO 等常见的物体检测基准测试中取得了一致的性能提升。

Feb, 2019

在少样本目标检测领域中，使用 SIoU 作为评估标准可以构建更加用户导向的模型，在小物体检测方面表现优秀，并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。

Jul, 2023

本研究提出了 Pseudo-Intersection-over-Union (Pseudo-IoU) 指标，通过将其融入端到端单级别无锚点物体检测框架，可以实现更加标准化和准确的规则分配，从而提高 PASCAL VOC 和 MSCOCO 等常规物体检测基准测试的性能。

Apr, 2021

本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

Apr, 2023

提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

Dec, 2021

本论文提出了一种名为 HIT 的分层 IoU 跟踪框架，通过利用 tracklet 间隔作为先验，实现统一的分层跟踪，并利用 IoU 进行关联，舍弃了繁重的外观模型、复杂的辅助线索和基于学习的关联模块，解决了关于目标尺寸、摄像机运动和分层线索的三个不一致问题，并在四个数据集上取得了良好的性能，为未来的跟踪方法设计提供了强大的基线，并证明了 HIT 可以与其他解决方案无缝集成。

Jun, 2024

本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

May, 2022

该研究提出了一种名为 FishMOT 的新型鱼类多目标跟踪方法，该方法将目标检测技术与 IoU 匹配算法相结合，实现了高效、精确和稳健的鱼类检测和跟踪，显著减少了计算时间和存储空间。实验结果表明，该方法在各种评估指标上优于其他方法，速度更快，内存需求更低。

Sep, 2023

本文提出了一种新的评估协议，称为紧密感知交集联合（TIoU）度量，旨在解决现有度量的一些明显缺陷，并提供了一种简单有效的解决方案来同时识别文本线和单词检测，并通过实验表明他们的方法更紧密、更有利于识别，代码公开在此 https URL。

Mar, 2019

提出了一种新的多目标跟踪算法 ISU-Net, 其使用了迭代放大扩展 IoU 算法，能够有效跟踪非线性运动的目标，并相比其他算法，具有更低的计算成本

Jun, 2023