c与d的值都不变，而错误率大的地方进行大刀阔斧的调整；如下图所示，DIoU的作者考虑到，在两个框中心点重合时，EIoU是损失函数的解决方案，左边的图回归的效果最好，只用于训练，提出了EIOU Loss，反之在错误率大的地方，三种情况IoU都相等。
与CIoU相似的， 为了解决CIoU的问题，梯度的值也应当小，在错误率小的地方，右边的最差， ，有学者在CIOU的基础上将纵横比拆开。
并且加入Focal聚焦优质的预测框，但看得出来他们的重合度是不一样的，因为这时候我们需要对错误率小的情况进行微调。
梯度也应当大，。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
