TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captu

TPH-YOLOv5

参考

• TPH-YOLOv5：基于Transformer的改进YOLOv5的无人机目标检测
• YOLOv4: Optimal Speed and Accuracy of Object Detection
• self-attention与Transformer补充
• 注意力模型CBAM

Introduciton

• TPH-YOLOv5的整体架构如上所示，YOLOv5我没怎么看过，不过我们可以直接看它的结构

  • 首先Backbone部分，前8块和之前区别不大，作者的描述是CSPDarknet53 backbone with three transformer encoder blocks at the end，也就是它其实在CSPDarknet53点基础上在SPP模块的后面添加了三个Transformer层
  • 接下来Neck部分，明显是参考了PANet的结构，只不过用上了CBAM和Transformer的结构
  • 然后是Header部分，用的是魔改的TPH（transformer prediction heads），作者的意思是从Transformer开始到检测输出这段都叫TPH，在我看来其实就是用了Transformer模块然后把这块强行叫做TPH模块，可能就类似‘拍了拍 Transformer’？\手动狗头

Structure

CSPDarknet53

• 关于这部分，可以参考YOLOv4中对应部分，其实说白了就是在一堆残差块边上再加上一个残差边（可以看做大号残差）
  • YOLOv4: Optimal Speed and Accuracy of Object Detection

Transformer

• 关于这部分，也有一篇相关记录，是看李宏毅老师的课的笔记，个人觉得李老师讲的很清楚（只看encoder部分即可）

  • self-attention与Transformer补充
• 

• 这里可以对比下原图和作者给出的Encoder的区别

• 

• 可以看到还是有一丢丢不一样的,比如embedding后原版是直接进Multi-Head Attention的，而作者是先做了LayerNorm（这个东东没有详细提，应该是类似BN的Norm，可参考下图），然后作者的版本还多了一个Dropout的操作，这玩意在我的理解为多个subnetwork防止过拟合同时提高检测性能

• 

CBAM

• 全称是Convolutional block attention module，这玩意的论文还没看，在补了，可以先参考这个：

  • 注意力模型CBAM

• 目前的理解是使得网络的注意力集中在某些channel和spatial上，以提高检测精度

• 

Ms-testing and model ensemble.

• 这玩意就是多尺度检测+合并

Self-trained classifier

• 所谓Self-trained classifier就是把这部分额外摘出来用相关数据做图像分类的task train一遍，然后合并回去，这。。。

效果