【YOLOX】《YOLOX:Exceeding YOLO Series in 2021》

arXiv-2021


文章目录

  • [1 Background and Motivation](#1 Background and Motivation)
  • [2 Related Work](#2 Related Work)
  • [3 Advantages / Contributions](#3 Advantages / Contributions)
  • [4 Method](#4 Method)
  • [5 Experiments](#5 Experiments)
    • [5.1 Datasets and Metrics](#5.1 Datasets and Metrics)
  • [6 Conclusion(own)](#6 Conclusion(own))

1 Background and Motivation

2 Related Work

3 Advantages / Contributions

4 Method


深入浅出Yolo系列之Yolox核心基础完整讲解

(1)输入端,mosaic 和 mixup,最后 15 个 epochs 会关闭

(2)预测头

解耦头会收敛更快,精度也会更高,但会增加运算的复杂度

anchor free,以 640 输入为例,总预测数量 ( 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ) ∗ ( 80 + 1 + 4 ) = 8400 ∗ 85 (20*20 + 40*40 + 80*80) * (80 + 1 +4) = 8400* 85 (20∗20+40∗40+80∗80)∗(80+1+4)=8400∗85

anchor based,以 640 输入为例,总预测数量 3 ∗ ( 20 ∗ 20 + 40 ∗ 40 + 80 ∗ 80 ) ∗ ( 80 + 1 + 4 ) = 3 ∗ 8400 ∗ 85 3*(20*20 + 40*40 + 80*80) * (80 + 1 +4) = 3*8400* 85 3∗(20∗20+40∗40+80∗80)∗(80+1+4)=3∗8400∗85

正负样本分配:初步筛选、SimOTA

初步筛选

a. 根据中心点来判断:寻找anchor_box中心点,落在groundtruth_boxes矩形范围的所有anchors

b.根据目标框来判断:以groundtruth中心点为基准,设置边长为5的正方形,挑选在正方形内的所有锚框。

这一步还是有候选框或者说 anchor 的概念的

因为不同层金字塔特征图上的空间位置映射为原图,还是有大小的

精细筛选---SimOTA

a.初筛正样本信息提取

b.Loss 函数计算

c.cost 成本计算

d.SimOTA 求解

假设初步筛选从 8400 筛选到只剩 1000, simOTA中,会选 cost 最小的前 k 个 作为正样本

可能出现共用情况,一个正样本分配了多个 GT

选 cost 最小的

5 Experiments

5.1 Datasets and Metrics

6 Conclusion(own)

YOLOX作者刘松涛博士:高性能目标检测的最新实践


解耦的好处在于:在检测的过程中分类需要的特征和回归所需要的特征不同,所以在 Decoupled Head 中进行解耦处理后学习的过程会变得更加简单。


相关推荐
有Li10 分钟前
跨视角差异-依赖网络用于体积医学图像分割|文献速递-生成式模型与transformer在医学影像中的应用
人工智能·计算机视觉
GOTXX38 分钟前
基于Opencv的图像处理软件
图像处理·人工智能·深度学习·opencv·卷积神经网络
xrgs_shz1 小时前
MATLAB读入不同类型图像并显示图像和相关信息
图像处理·计算机视觉·matlab
糖豆豆今天也要努力鸭2 小时前
torch.__version__的torch版本和conda list的torch版本不一致
linux·pytorch·python·深度学习·conda·torch
何大春2 小时前
【弱监督语义分割】Self-supervised Image-specific Prototype Exploration for WSSS 论文阅读
论文阅读·人工智能·python·深度学习·论文笔记·原型模式
Suyuoa2 小时前
附录2-pytorch yolov5目标检测
python·深度学习·yolo
余生H3 小时前
transformer.js(三):底层架构及性能优化指南
javascript·深度学习·架构·transformer
罗小罗同学4 小时前
医工交叉入门书籍分享:Transformer模型在机器学习领域的应用|个人观点·24-11-22
深度学习·机器学习·transformer
孤独且没人爱的纸鹤4 小时前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭4 小时前
TensorFlow构建CNN卷积神经网络模型的基本步骤:数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow