标签：loss end OTA 笔记 anchor YOLOX SimOTA 阅读 Anchor
YOLOX论文阅读
文章目录
Baseline
Baseline:DarkNet53 + SPP Layer 同时加入了一些训练策略，EMA权重更新，cosine学习率机制， IoU loss和IOU-aware分支，在训练cls和obj分支时使用BCE Loss，在reg分支使用IoU Loss
Decoupled head
数据增强策略
强大的数据增强策略：Mosaic 和 Mixup
Anchor-free
Anchor-free : YOLOv4和YOLOv5都遵循YOLO3的Anchor-base策略。下面指出anchor机制的几个问题：
1.为了实现最佳的检测性能，需在训练前进行选择最佳的anchors，但其实这样选择的anchor具有领域的特殊性和更少的普遍性。
2.anchor机制大大增加了detection head和图片预测数量的复杂度。
Anchor-free可以减少参数量，能够加快模型的速度。将YOLO转成anchor-free也很简单。将每个位置的预测从3个减到1个。
Multi-positive
Multi positives:使用anchor机制后，对每个目标仅仅选择一个positive样本。然而，优化那些高质量的预测，能够带来有用的元素，能够减轻在训练时positives和negatives样本之间的不平衡性。所以，YOLOX简单地将中心3x3的区域分为positive样本，这也叫做FCOS中的中心采样。
SimOTA
SimOTA：什么是OTA？
OTA是什么？
OTA来自论文《Optimal transport assignment for object detection》,OTA遵循4个rule:
(1)loss/quality aware
(2)center prior
(3)对每个真实框都有动态数目的positive anchor（简单地像top-k）
(4)global view
SimOTA是简化后的OTA——动态top-k策略。SimOTA首先计算成对的匹配度,由每个预测与真实对之间的cost或者quality，在SimOTA的cost等于分类的loss综合回归的loss。
end-to-end YOLO
end-to-end YOLO：增加额外两个卷积层。一对一的label分配策略和随机梯度。这些能够使检测器表现为一个端到端的行为，但是会轻微降低性能和推理速度。因此将其作为优化模块，没有放进最后的模型之中。
标签：loss,end,OTA,笔记,anchor,YOLOX,SimOTA,阅读,Anchor 来源： https://blog.csdn.net/m0_46223011/article/details/120589936
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。