文章目录

1、双阶段和单阶段目标检测器
2、Label Assignment
3、后处理之 NMS
4、数据增强
5、Neck
- 5.1 FPN
- 5.2 PAN
- 5.3 NAS-FPN
- 5.4 BiFPN
6、Backbone

本博客还有多个超详细综述，感兴趣的朋友可以移步：

卷积神经网络：卷积神经网络超详细介绍

目标检测：目标检测超详细介绍

语义分割：语义分割超详细介绍

NMS：让你一文看懂且看全 NMS 及其变体

数据增强：一文看懂计算机视觉中的数据增强

损失函数：分类检测分割中的损失函数和评价指标

Transformer：A Survey of Visual Transformers

机器学习实战系列：决策树

YOLO 系列：v1、v2、v3、v4、scaled-v4、v5、v6、v7、yolof、yolox、yolos、yolop

目标检测在过去 20 年的发展很迅速，19 年之前的方法发展路线如下图所示，19 年之后的方法没有在图中，而且也没有合适的图来展现，但本文的内容也会涉及很多 19 年之后的方法。

在这里插入图片描述

其中比较重要的就是红字的那些方法，目标检测的发展和优化可以从下面几个方面来看：

从发展脉络上来看：主要分为单阶段和双阶段，单阶段胜于速度，双阶段胜于准确
从 backbone 的结构来看：有适合于云端 GPU 的大模型，也有适合边端 GPU 或 CPU 的小模型，也有使用重参数化来实现训练和测试结构的转化，使模型适合于不同的场合
从 proposal 生成的实现方法来看：可以划分为 anchor-based 和 anchor-free
从特征的层级结构来看：可以划分为使用多尺度特征和单尺度特征
从训练策略来看：有数据增强、多尺度训练、
从推理策略来看：多尺度测试、重参数化推理等
从后处理来看：有各种的 NMS 层出不穷（soft、softer、centerness、GFv1 和 GFv2 等等）
从 loss 函数来看：各种分类 loss（如 focal loss、GF loss、Varifocal loss 等）和回归 loss（如 IoU、GIoU、DIoU loss）

上述的分类方法只是大致的区分，很多目标检测方法是会重复出现在不同的类别中的。

在这里插入图片描述

1、双阶段和单阶段目标检测器

顾名思义，单阶段检测器是一次训练实现目标检测结果的输出，双阶段检测器是两次训练实现目标检测结果的输出。R-CNN 是 2014 年提出的一种开创性的双阶段目标检测器，与之前基于传统检测框架 segdmp 的方法相比，R-CNN 在 Pascal VOC 2010 上获得了 53.7% 的 mAP，比 segdmp 的 40.4% 高了 13.3% mAP，也拉开了基于深度学习的目标检测的序幕。

1.1 双阶段目标检测器

在基于深度学习的目标检测刚开始发展的阶段，以 R-CNN 为代表的方法火爆一时，其衍生出来的 Fast 和 Faster R-CNN 和其共同构成了 R-CNN 家族，也是双阶段目标检测器的代表。

在这里插入图片描述

1.1.1 R-CNN

详细介绍见本文

论文：Rich feature hierarchies for accurate object detection and semantic segmentation

出处：CVPR 2014

主要贡献：开创了使用深度学习进行目标检测的任务，提出了 proposal 的概念，使用 proposal 生成 + proposal 特征提取（SVM 分类 + 回归）两阶段的过程，完成了目标检测

在这里插入图片描述

R-CNN 的流程可以分为三部分：

proposal 生成：使用 selective search 的方法生成约 2k 候选框，然后 resize 成 227x227 大小
proposal 特征提取：对每个相同大小的候选区域都经过 CNN 进行特征提取，得到 4096-d 的特征向量
proposal 分类和边界回归：使用 “一对多” 的 SVM 分类器进行分类，并学习边界回归

在这里插入图片描述

R-CNN 的缺点：

对每个区域都要经过 CNN 造成了很多的重复计算，训练和测试都非常耗时
三个步骤（生成候选区域、特征提取、分类）都是独立的部分，不能端到端的训练，难以获得全局最优解
区域提议基于低层的视觉线索，难以在复杂的背景下产生高质量的提议

1.1.2 SPP

详细介绍见本文

论文：Spatial pyramid pooling in deep convolutional networks for visual recognition

出处：ECCV 2014

主要贡献：使用空间金字塔池化的方法，免去了对输入图像的 reisize 过程，并且使用先提取特征，再抠出 proposal 对应区域特征的方法，一次完成特征提取，加速的训练过程。

SPP 全称为 Spatial Pyramid Pooling（空间金字塔池化），R-CNN 的 CNN 结构，由于后的全连接层需要接收固定尺度的向量（如 4096-d），所以需要 CNN 输入固定大小的图像。一般会使用 crop 和 warp 来将图像进行大小的统一，但这样会破坏纵横比，影响目标的外观，于是何凯明提出了 SPP，连接在全连接层的前一层，是的 CNN 网络可以输入任意大小的图像。

在这里插入图片描述

SPP 工作过程：

利用 SS 方法获得区域提议，通过 Stride 区域映射的方法，在卷积层的后面加入位置信息，便于在卷积特征图中找到每个区域的位置。
对整张图进行卷积特征提取，解决了卷积层的重复计算的问题
空间金字塔池化，也就是替换最后一个池化层为 SPP pooling layer
SVM分类

SPP 的结构的特点：

输入特征图大小任意：将金字塔思想加入 CNN 中，使用多种不同尺度的 pooling，pooling 会根据输入来调整大小（如设定每个 pooling 的输出分别为 4x4=16、2x2=4、1x1=1 这三个维度，则自适应池化会根据输出特征图的大小来自动进行 pooling，让输出的向量维度相同，所以输入特征图可以是任意维度）
输出特征向量大小固定：将多个 pooling 的结果 concat 起来，得到相同尺度的特征向量
只需要进行一次 CNN 特征提取：先提取特征，将候选框的特征直接输入 SPP 后面的层，节省了大量的计算时间，比 R-CNN 有 100 倍的提速

SPP 为什么金字塔池化的结构的好处：

多个不同尺度的 pooling 窗口会提高准确率
输入图像大小任意，就避免了对输入目标的 resize，不会导致目标外观过度改变

在这里插入图片描述

SPP 的缺点：

提取候选框 | 计算CNN特征 | SVM分类 | 回归训练过程都是各自独立的，大量中间结果需要转存，无法整体训练参数
无法同时微调卷积层和全连接层，在很大程度上限制了CNN的效果
候选区域仍然使用SS方法，很耗时

1.1.3 Fast R-CNN

详细介绍见本文

论文：Fast R-CNN

出处：ICCV 2015

贡献：将 SPP 中的一次性特征提取和 R-CNN 结合起来，并在 SPP 的基础上，提出了 RoI pooling，只使用单尺度的 max pooling 来进行特征提取，获得固定长度的特征向量。并且抛弃了 SVM 使用了 softmax 进行分类，将 R-CNN 的结构改成了并行结构，能够同时进行分类和回归。

有了 R-CNN 和 SPP 的积累，Fast R-CNN 就融合了前面两者的优势，实现了快速的 R-CNN。

在这里插入图片描述

Fast RCNN 的工作过程：

首先，使用 Selective Search 的方法生成一系列候选区域
然后，对整幅图像进行卷积特征提取，将最后一层的池化层替换成 RoI pooling 层，输出固定长度的特征向量
最后，将 RoI pooling 的输出向量输入全连接层，用于多任务学习并计算多任务损失，输出两个分支：softmax 分类分支（使用 log loss 计算 k+1 个类别的损失函数）；regression 回归分支（使用 smooth L1 loss）计算每个框的 bbox 坐标

什么是 RoI pooling 中的 RoI：

输入图片在经过卷积网络得到 feature maps 后，利用 SS 或者 RPN 算法来得到多个目标候选框，这些以输入图片为参考坐标的候选框在 feature maps 上的映射区域，即为目标检测中所说的 RoI，也就是从原图的某个位置映射到特征图上的某个位置，特征图上的该区域就是 RoI。

RoI pooling 的过程：从任意大小特征图中获得固定大小的特征向量

根据输入图像，将 RoI 从原图映射到 feature map 对应位置
将映射后的区域根据输出向量的大小划分为小块，小块数量与输出的维度相同，小块内的像素个数是整数，如果边长不能被小块长整除，则最后一个小块内的像素个数和前面的不同，或少或多，但不会取像素中间的值，每个小块内的像素个数总数整数
对每个小块内进行 max pooling 操作

RoI pooling 的问题：RoI pooling 会有两次量化问题，这两次量化的结果都使得候选框的位置出现了偏差

第一次：候选框从原图坐标映射到的 feature map 坐标时，位置坐标可能存在浮点数，此时进行取整操作从而出现第一次量化
第二次：在 RoI Pooling 求取每个小网格的位置时也同样存在浮点数取整的情况

为了解决 RoI Pooling 两次量化问题，RoI Align 不再采用取整量化操作，而是保留了浮点数的运算，并使用双线性插值的方式来求取像素值。具体的过程步骤如下，假设需要输出 2x2 大小的特征图

首先将 RoI 区域切分成 2x2 的单元格，不取整不量化，保留小数
如果要切分的小块总数是 4，则将每个单元格子均分成四个小方格，以每个小方格的中心作为采样点
对采样点像素进行双线性插值，得到该像素点的值
对每个单元格内的四个采样点进行 max pooling，得到最终的 ROI Align 结果

Fast R-CNN 的问题：

仍然使用 Selective Search 来生成候选区域，很耗时

1.1.4 Faster R-CNN

详细介绍见本文

论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

贡献：提出了 RPN 来实现 proposal 生成，每张图大概 300 个提议框，使得目标检测可以端到端的完成

在这里插入图片描述

Faster R-CNN 的工作过程：

首先，将整幅图像输入 CNN 网络，得到卷积特征图
然后，将卷积特征图输入 RPN 网络，生成 anchor 的类别（前景/背景）和位置
接着，将 anchor 的位置从对应的初始卷积特征图上抽取出来，送入 RoI pooling
最后，将 RoI pooling 特征送入全连接层，后面接上分类和回归的两个 head，得到最终的结果

Faster R-CNN 如何训练：四步交替优化法

训练 RPN：使用 ImageNet 预训练模型对 RPN 进行进行初始化，训练 RPN 网络
训练 Fast R-CNN：使用 ImageNet 预训练模型初始化检测网络，并固定 RPN 网络参数，使用 RPN 得到的 proposal，训练 Fast R-CNN 的检测网络（也就是除过 RPN 外的所有需要训练的层都算作检测网络的部分）
调优 RPN：使用检测网络训练好的共享卷积（即主分支那些参数），固定共享卷积，继续修正 RPN 网络
调优 Fast R-CNN：保持共享卷积层的固定，使用调优后的 RPN 网络，对 Fast R-CNN 的一些层进行微调

RPN 实际上也是一个小的卷积网络，3x3 卷积后面跟两个并行 1x1 卷积，且 RPN 可以与检测网络共享整幅图像的卷积特征，从而产生几乎无代价的区域推荐。RPN loss = cls loss + reg loss。

RPN 的结构如下，所以 RPN 的参数量很少

3x3 卷积，因为 RPN 的输入是经过 CNN 提取后的特征，更适用于分类任务，这个 3x3 的卷积或许可以
两个并行 1x1 的 head，分别进行二分类和回归

RPN 的工作过程：

首先，在卷积特征图上的每个点上，生成 k 个 anchor（这里使用的 k=9, 3 种面积，128x128、256x256、512x512，3 种宽高比，1:1, 1:2, 2:1，假设特征图大小为 40x90，则共有 40x90x9 个初始 anchor）
然后，对每个 anchor 使用 3x3 的卷积进行特征提取，之后输入分类头和回归头，分类头是对 k 个 anchor 判断其属于前景还是背景，也就是一个 2 分类网络，输出为 2k 个得分，回归头是给 k 个 anchor 回归位置偏移，输出为 4k 个偏移坐标
接着，对所有的 anchor，判断其为前景还是背景后，对前景 anchor 进行一次坐标修正（smooth L1 loss 进行训练），对于第一步生成的 k 个 anchor，得到预测的正负结果后，和这些 anchor 的真值进行对比，求 loss，而真值是使用 anchor 和 gt 的 IoU 来判定的。
最后，得到了这些 anchor 后，按照得分排序，保留特定数量的 anchor，输入到 RoI pooling 中去

anchor 训练时 label 的正负如何给定：

正样本：如果 anchor 和 gt 的 IoU > 0.7，则标记为正样本，如果最大的也小于 0.7 ，则标记最大的 IoU 对应的 anchor 为正
负样本：如果 anchor 和 gt 的 IoU < 0.3，则标记为负样本
非正非负，不参与训练：如果 0.3<IoU<0.7 则不参与训练

注意：

训练时，会将与边界有交叉的 anchors 删除，否则会难以收敛。测试时，仅仅将与边界交叉的anchors 切到边界即可。

1.2 单阶段目标检测器

经过上面的介绍，我们已经知道了双阶段目标检测器主要是分为 region proposal 和 detection 两个阶段，但双阶段目标检测器的很大的缺点就是训练时间过长且推理速度也慢，故此就出现了能够一次性完成训练的单阶段目标检测器，将 region proposal 也放入了检测模型训练过程中。

1.2.1 YOLO 系列

YOLO 系列中既有 anchor-free 的结构，也有 anchor-based 的结构

1.2.1.1 YOLOv1

详细介绍见本文

论文：You Only Look Once: Unified, Real-Time Object Detection

代码：https://pjreddie.com/darknet/yolo/

作者：Joseph Redmon

时间：2016.05

YOLOv1 提出将目标检测任务定义为单个回归问题，直接从输入图像上得到框的位置和类别。将整个图像空间分割为固定数量的网格单元（例如，使用7×7网格）。每个 cell 都被认为是检测一个或多个物体存在的建议。

在最初的实现中，认为每个 cell 包含两个对象的中心。对每个 cell 进行预测：预测该位置是否有对象、边界框坐标和大小（宽度和高度）以及对象的类别。整个框架是一个单一的网络，它省略了建议生成步骤，可以端到端优化。

YOLO 也面临着一些挑战：

它在给定位置只能检测到两个对象，这使得很难检测到小对象和拥挤的对象[40]
只有最后一个特征图用于预测，不适合多尺度、多纵横比的目标预测。

YOLOv1 结构介绍：

输入：将图像分为 $S\times S$ 的网格（7x7），如果目标的中心点落入了对应网格，则由该网格负责预测该目标
每个网格预测 2 个 bbox 和每个 bbox 中包含目标的概率，定义 confidence 为 $\times IoU_{pred}^{truth}$
如果某个网格没有目标落入，则对应 confidence 为 0，否则期望 confidence score = IoU
每个 bbox 的预测包含五个参数： $(x, y, w, h, co n f i d e n ce)$ ， $(x, y)$ 为框的中心点和网格边界的距离（相对当前网格的偏移值）， $(w, h)$ 是宽高和全图比（相当于归一化了），confidence代表了所预测的box中含有 object 的置信度和这个 box 预测的有多准两重信息。
每个网格也会预测类别 $Pr(Class_i|Object)$ ，也就是每个框会预测其对应类别。
测试时，对每个框预测的类别如下，该类别包含了这个 bbox 中该类别的概率和位置匹配的准确性： $Pr(class_i|object)*Pr(Object)*IoU_{pred}^{truth}=Pr(Class_i)*IoU_{pred}^{truth}$
在 PASCAL VOC 测试时，作者使用 S=7，B=2，C=20，最终得到 7x7x30 的向量

为什么每个网格输出 30 维向量：

30 维向量 = 20 个目标的类别概率（VOC 类别） + 2 个 bounding box x4 个坐标 + 2 个 bounding box 包含目标的置信度 confidence（前、背景）

在这里插入图片描述

网络结构：

标准结构：24 conv layers + 2 fully connected layers
Fast 结构：9 conv layers + 2 fully connected layers
输出：7x7x30 tensor

训练：

输入 448x448 的图像
输出每个网格中的每个框的 $(x, y, w, h, co n f i d e n ce)$
虽然每个网格中可能预测多个 bbox，在训练阶段，只期望对每个目标预测一个框，故此处指保留和 gt 的 IoU 最大的框。

推理：

在每个图像中预测 98 个bbox（49 个网格，每个网格预测两个框，保留 IoU 最大的那个）
每个网格会预测两个 bbox，通过 NMS 后，会保留一个 bbox

如何进行 NMS：

因为我们对一个网格要预测两个bbox，所以最后我们能得到个 7x7x2=98 个bbox。

首先，将这 98 个 bbox 中置信度低的框去掉，然后再根据置信度对剩下的bbox排序，使用 NMS 算法，把重复度高的框的置信度设为 0。

对于留下的框，再根据分类概率得到它们的类别，这里注意得到的框的大小都是相对于原图大小的，都是 0~1 之间的值，所以输出的时候还需要还原，才能得到真实的bbox的尺寸大小。

YOLO v1 定位错误较多，定位的错误高于其他所有错误的总和
Fast RCNN 定位错误的很少，但有很多背景误识别，13.6% 的检测结果是假正，即不包含任何目标，约是 YOLO v1 背景误识别的 3 倍。

优势如下：

YOLOv1 很快！由于不需要复杂的 pipeline，在 Titan X GPU 上能达到 45fps，能够实时处理视频流，且准确率是当时实时系统的 2 倍。
YOLOv1 在推理的时候在全图上进行，在训练和测试时都将全图看做一个整体，没有 RPN 等操作，比 Fast R-CNN 对背景的误检少了一半（Fast RCNN 由于无法看到全局的信息，所有很多背景的误检）。
YOLOv1 能够学习到目标更泛化的特征。
YOLOv1 虽然比当时 SOTA 的方法效果差些，但速度很快。

YOLO v1 的不足：

YOLO v1 在每个网格中预测两个框，并且属于同一个类别，这种空间约束限制了对距离近的目标的预测，会导致漏检，如多个小目标共现的区域
YOLO v1 模型是从训练数据中学习到的目标纵横比，所以难以泛化到少见的纵横比目标上，导致边界不准。
YOLO v1 的 loss 函数将大目标和小目标同等对待，大目标的小错误是可以容忍的，但小目标的小错误对 IoU 影响较大，会导致对小目标定位不准
使用全连接层，参数量巨大，而且也因此在检测时，YOLO 训练模型只支持与训练图像相同的输入分辨率。
一个网格只能预测一个物体。
anchor-free的方法没有anchor-based的准确。

1.2.1.2 YOLOv2

详细介绍见本文

论文：Yolo9000: Better, faster, stronger

代码：https://github.com/pjreddie/darknet

出处：CVPR2017

作者：Joseph Redmon

时间：2016.12

YOLOv1 有很多不足，其中最主要的两点在于：

定位不准
Recall 低

所以 YOLOv2 也主要在提高这两个问题上下功夫。但 YOLOv2 没有提高模型大小，同时速度更快了，主要从以下方面来让网络效果更好

即：更好、更快、更强三方面来进行优化

1、更好

1、Batch Normalization：在 YOLOv1 的所有卷积层后面加 BN，提升了 2mAP
2、High Resolution Classifier：YOLOv1 使用 224x224 大小预训练，YOLOv2 提升到了 448x448 大小，能帮助网络在大分辨率输入上更好提取特征
3、回归使用了 anchor 来预测框。输入图像大小 416x416（为了保证奇数大小特征图），下采样 32 倍，得到 13x13 大小特征图，每张图上能预测的目标从 98 变成了 1k 多，也提出了objectness，预测每个 anchor 和 gt 的 IoU，和该 anchor 是目标的概率无 anchor 时 mAP=69.5，recall=81%，有 anchor 后，mAP=69.2，recall=88%。提升了 recall 后，表示模型有了更大的提升空间。
4、使用了聚类的方法来选择 anchor 的尺度，避免了手动选择需要调参，在训练集上使用了 k-means 来自动选择最优的值。由于欧氏距离对尺寸很敏感，所以作者使用 $d (b o x, ce n t ro i d) = 1 - I o U (b o x, ce n t ro i d)$ 的方式来度量距离。 5 种形心的聚类方法得到的框的效果和 9 种 anchor box 效果类似。使用 9 种形心的聚类方法能够得到更高的 IoU。
5、多尺度预测，YOLOv2 在 13x13 的特征图上预测，但得益于大特征图的预训练，这样的大小也也足够大目标的预测了。但同时也在 26x26 大小的特征图上也引出了分支，得到了 1% 的性能提升。
6、Multi-scale Training
- YOLOv1 中使用大小为 448x448 的输入，YOLOv2 中由于要添加 anchor，所以改成了 416x416，但为了对不同大小的目标更加鲁棒，所以 YOLOv2 使用了多尺度训练。
- 多尺度训练的模式：在每 10 个 epoch 随机选择训练的尺度，由于最后下采样 32 倍，所以作者选择了 32 的倍数：{320, 352, …, 608}，最小的为 320，最大的为 608。
- 这种机制迫使网络学习跨各种输入维度进行良好的预测。这意味着同一个网络可以在不同的分辨率下预测检测结果。网络在较小的尺寸下运行速度更快，因此 YOLOv2 可以轻松地在速度和精度之间进行权衡。
- 在低分辨率时，YOLOv2 是一种耗费小而相当精确的检测器，288x288 大小时，可以达到 90 FPS，且 mAP 和 Fast RCNN 类似。
- 在高分辨率时，YOLOv2 在 VOC2007 上达到了 SOTA的 78.6 mAP，且接近实时速度。

2、更快

YOLOv2 中提出了一个新的分类模型，Darknet-19，共 19 层卷积层，5 层 maxpooling，结构见表 6

3、更强

将 coco 和 ImageNet 联合训练，让网络从分类数据中学到更多的类别，从检测数据中学到更多的位置信息

1.2.1.3 YOLOv3

详细介绍见本文

论文： YOLOv3: An Incremental Improvement

代码：https://github.com/pjreddie/darknet

作者：Joseph Redmon

时间：2018.08

由于 YOLO 系列对小目标的检测效果一直不太好，所以 YOLOv3 主要是网络结构的改进，使其更适合小目标检测；

YOLOv3 提出了 objectness score，使用 logistic 回归的方法来对每个框预测 objectness score：

1：当一个先验框和 gt 的重合率大于其他先验框时，objectness score = 1
-1：当一个先验框的 IoU 不是最大，但大于阈值时（0.5），则 objectness score = -1，不参与训练

YOLOv3 在 3 个尺度上进行框的预测，最后输出三个信息：bbox、objectness、class

在 COCO 数据集中，就会在每个尺度上输出：

$N\times B \times [3*(4+1+80)]$ 偏移信息
1 个 objectness
80 个类别预测

预测要点：

使用 k-means 距离的方法来确定先验 bbox，9 个形心和 3 个尺度，然后使用尺度来将这些簇分开
COCO 上的 9 个簇分别为：(10x13), (16x30),(33x23), (30x61), (62x45), (59x119), (116x90), (156x198), (373x326)。

在 YOLOv2 中使用的是 Darknet-19，YOLOv3 使用 Darknet-53。

YOLOv3 的 APs 指标表现很好，但在大中型目标上效果较差，需要继续研究

1.2.1.4 YOLOv4

详细介绍见本文

论文：YOLOv4: Optimal speed and accuracy of object detection

代码：https://github.com/AlexeyAB/darknet

作者：AlexeyAB

时间：2020.08

致力于设计一个快速的检测器，称为 YOLOv4，其结果如图 1 所示，贡献点如下：

设计了一个又快又好的检测器
验证了很多 Bag of Freebies 和 Bag of Specials 方法的效果
证明了现有的 SOTA 的方法可以更有效并且在单个 GPU 上训练

YOLOv4 将目标检测器分为了 4 个部分：

Input：Image、Patches、Image Pyramid
Backbone：VGG-16、ResNet、EfficientNet 等
Neck：
- Additional blocks：SPP、ASPP、RFB、SAM 等
- Path-aggregation blocks：FPN、PAN、NAS-FPN、ASFF 等
Heads：
- Dense Prediction（one-stage）：
  - RPN、SSD、YOLO、RetinaNet（anchor based）
  - CornerNet、CenterNet、FCOS（anchor free）
- Sparse Prediction（two-stage)：
  - Faster RCNN、R-FCN、Mask RCNN（anchor based）
  - RepPoints（anchor free）

YOLOv4 由以下三个部分组成，使用了很多 BoF 和 BoS：

Backbone：CSPDarknet53
Neck：SPP, PAN
Head：YOLOv3

使用的策略：

Backbone：
- BoF: CutMix and Mosaic data augmentation, DropBlock regularization, Class label smoothing
- BoS: Mish activation, Cross-stage partial connections (CSP), Multiinput weighted residual connections (MiWRC)
detector：
- BoF: CIoU-loss, CmBN, DropBlock regularization, Mosaic data augmentation, Self-Adversarial Training, Eliminate grid sensitivity, Using multiple anchors for a single ground truth, Cosine annealing scheduler [52], Optimal hyperparameters, Random training shapes
- BoS: Mish activation, SPP-block, SAM-block, PAN path-aggregation block, DIoU-NMS

1.2.1.5 Scaled-YOLOv4

详细介绍见本文

论文：Scaled-YOLOv4: Scaling Cross Stage Partial Network

代码：https://github.com/WongKinYiu/ScaledYOLOv4

作者：Chien-Yao Wang、Alexey AB

出处：CVPR2021

时间：2021.02

作者将 YOLOv4 经过尺度缩放，分别适用于：general GPU、low-end GPU、high-end GPU

YOLOv4 是为在 general GPU 上运行的实时目标检测网络，作者又重新设计了一下，得到更好的 speed/accuracy trade-off 网络 YOLOv4-CSP

Backbone：

CSPDarknet53 的设计， cross-stage 的下采样卷积的计算是没有包含在残差块中的，故可以推理出 CSPDarknet 的计算量为 $whb^2(9/4+3/4+5k/2)$ ，所以 CSPDarknet stage 在 k>1 的时候的计算量是优于 Darknet 的，CSPDarknet53 的每个 stage 的残差层分别为 1-2-8-8-4，为了得到更好的 speed/accuracy trade-off，将 CSP 的第一个 stage 转换成原始的 Darknet 残差层。

Neck：

为了进一步降低计算量，也把 YOLOv4 中的 PAN 进一步 CSP-ize，PAN 结构的计算过程如图 2a 所示，它主要是整合来自不同特征金字塔的特征，然后经过两组反向 Darknet 残差层（没有 shortcut 连接），CSP-ization 之后的计算过程如图 2b 所示，降低了 40% 的计算量。

SPP：

SPP 模块也被嵌入 CSPPAN 的第一个 group 的中间位置

1.2.1.6 YOLOv5

详细介绍见本文

论文：暂无

代码：https://github.com/ultralytics/yolov5

官方介绍：https://docs.ultralytics.com/

出处：ultralytics 公司

时间：2020.05

YOLOv5 是基于 YOLOv3 改进而来，体积小，YOLOv5s 的权重文件为27MB。

YOLOv4（Darknet架构）的权重文件为 244MB。YOLOv5 比 YOLOv4 小近 90％。这意味着YOLOv5 可以更轻松地部署到嵌入式设备。

此外，因为 YOLOv5 是在 PyTorch 中实现的，所以它受益于已建立的 PyTorch 生态系统

YOLOv5 还可以轻松地编译为 ONNX 和 CoreML，因此这也使得部署到移动设备的过程更加简单。

1.2.1.7 YOLOv6

详细介绍见本文

论文：YOLOv6: A Single-Stage Object Detection Framework for Industrial
Applications

代码：https://github.com/meituan/YOLOv6

官方博文：https://blog.csdn.net/MeituanTech/article/details/125437630

作者：美团

时间：2022.09

YOLO 系列算法回顾：

YOLOv1-v3，也是最初的 one-stage 检测器 YOLO 系列的开创者 Joseph Redmon 提出的，为后面的改进方法打了很好的基石
YOLOv4 将检测框架结构划分为 3 个部分：backbone、neck、head，然后使用了很多策略来设计了一个适合在单 GPU 上训练的网络结构
YOLOv5、YOLOX、PPYOLO、YOLOv7 都是为部署做了相关的工作，通过模型缩放的形式来适应于不同的场景

YOLOv6 主要做的工作如下：

设计了对硬件友好的 backbone 和 neck：设计了更高效的 Backbone 和 Neck ：基于 RepVGG style[4] 设计了可重参数化、更高效的骨干网络 EfficientRep Backbone 和 Rep-PAN Neck。
有效的进行了 head 解耦：在维持精度的同时，进一步降低了一般解耦头带来的额外延时开销
在训练策略上，采用Anchor-free 无锚范式，同时辅以 TAL（YOLOv6 第一版使用的 SimOTA[2] ）标签分配策略以及 SIoU[9] 边界框回归损失来进一步提高检测精度。

YOLOv6 的改进集中在如下部分：

Network design
- Backbone：RepVGG 很适合小网络，但很难扩展到大网络（参数爆炸），所以使用 RepBlock 作为小网络的基础 block，使用 CSPStackRep block 作为大网络的 block。
- Neck：类似 YOLOv4 和 YOLOv5，使用 PAN 的结构，对大小网络都使用 Rep-PAN
- Head：对 head 进行了解耦，使用 Efficient Decoupled Head
Label assignment：作者对很多方法都做了实验，最后选择了 TAL
Loss function：VariFocal 为分类 loss，SIoU/GIoU 为回归 loss
Data augmentation：Mosaic 和 Mixup
Industry-handy improvements：作者引入了 self-distillation 和更多的 epochs 来提高性能。self-distillation 是每个学生网络的分类和回归都被教师网络监督。
Quantization and deployment：为了解决量化后的重参数化模型的性能下降问题，作者使用 RepOptimizer 的方法来得到 PTQ-friendly weights。

① Backbone：EfficientRep

小模型：
- 在训练中使用 Rep block，如图 3a
- 在推理时使用 RepConv，3x3 卷积 + ReLU 堆积而成的结构，如图 3b
大模型：
- 使用 CSPStackRep block 来得到中/大模型，如图 3c，3 个 1x1 conv + 2 个 RepVGG (训练) / RepConv (测试) + 1 个残差通道

在这里插入图片描述

② Neck：Rep-PAN

Neck 延续了 YOLOv4 及 YOLOv5 的架构——PAN，同样为了降低在硬件上的延时，在Neck上的特征融合结构中也引入了Rep结构，形成了 Rep-PAN

③ Head：Efficient decoupled head

④ Anchor-free

YOLOv6 中使用 anchor-point-based 大方式，也就是 box regression 分支是预测 anchor point 到 bbox 的四个边的距离。

⑤ Label Assignment：TAL

SimOTA:

SimOTA 是 OTA 的简化版本，将标签分配问题构造成了一个最优传输问题，通过找到最优传输方式，来得到每个 anchor 和 gt 的匹配结果。YOLOv6 的早期版本其实是使用的 SimOTA 的，那个时候论文还没有放出来，只有 github 代码。但由于 SimOTA 会拉慢训练速度，容易导致训练不稳定，所以又寻找了代替的方法。

Task Alignment Learning：

TAL 是在 TOOD 中被提出的，其中设计了一个【分类得分和定位框质量的统一度量标准】，使用该度量结果代替 IoU 来帮助分配标签，有助于解决任务不对齐的问题，且更稳定，效果更好。

⑥ loss：VariFocal Loss (VFL)，SIoU，其他使用 GIoU

⑦ 训练更多的 epochs

⑧ Self-distillation
为了提高模型效果，但不引入额外开销，作者使用了 KL 散度作为衡量学生网络和教师网络分布的指标。

为什么叫做 self-distillation 呢？就是因为这里学生网络=教师网络。

KL 散度整你用来衡量数据分布的差异，所以只能适用于分类结果，作者又参照了 DFL loss，也将其用于回归结果的衡量，故总的衡量方法为：

在这里插入图片描述

所以，回归 loss 为：

在这里插入图片描述

1.2.1.8 YOLOv7

详细介绍见本文

论文：YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

代码：https:// github.com/WongKinYiu/yolov7

出处：暂无

作者：Chien-Yao，Alexey AB (和 YOLOv4 同）

时间：2022.07

从优化方法、优化模块等方面入手，通过提高训练过程的 cost 来提高检测效果，但不会提高推理过程的 cost。

YOLOv7 的思路是什么：

重参数化和 label assignment 对网络的效果都比较重要，但近来提出的方法中，或多或少会有些问题
YOLOv7 会从发现的这些问题入手，并提出对应的解决方法

在正文前，YOLOv7 也总结了一下现有的 SOTA 实时目标检测器，大多基于 YOLO 和 FCOS，要想成为一个优秀的实时检测器，一般需要具有如下几个特点，并且主要从 4/5/6 三点来提出问题并解决：

a faster and stronger network architecture
a more effective feature integration method [22, 97, 37, 74, 59, 30, 9, 45]
a more accurate detection method [76, 77, 69]
a more robust loss function [96, 64, 6, 56, 95, 57]
a more efficient label assignment method [99, 20, 17, 82, 42]
a more efficient training method.

“结构重参数化” 的实质：训练时的结构对应一组参数，推理时我们想要的结构对应另一组参数，只要能把前者的参数等价转换为后者，就可以将前者的结构等价转换为后者。

1.2.2 SSD

详细介绍见本文

论文：SSD: Single Shot MultiBox Detector

出处：ECCV 2016

贡献：实现了一个可以端到端训练的 anchor-based 单阶段检测器，可以达到实时检测的速度

在这里插入图片描述

SSD 当时是针对 YOLOv1 的局限性而提出来的，SSD 的特点如下：

anchor-based：SSD 也是将图像分割成网格单元，在每个网格单元中，会生成一组多尺度和纵横比的 anchor，是 anchor-based 的方法，每个 anchor 都会学习 4 个回归偏移和 (C+1) 个分类概率。
多尺度预测：SSD 会在多级特征图上进行目标预测，每个尺度的特征图负责一定尺度的目标，可以看做 FPN 思想的前身
端到端的训练：SSD 是单阶段的 anchor-based 目标检测器，不需要额外的 region proposal，在后面几层特征图上直接布 anchor，来实现对不同大小目标的检测
高效：且具有实时的推理能力

1.2.3 RetinaNet

详细介绍见本文

论文：Focal Loss for Dense Object Detection

代码：https://github.com/facebookresearch/Detectron

出处：原始论文出自 ICCV2017

贡献：提出了单阶段和双阶段目标检测器效果差异的根源所在，即正负样本不平衡，并提出了 Focal loss，提高难例和正例对 loss 的贡献，处理但阶段目标检测器的正负样本严重不平衡的问题。

作者提出单阶段目标检测器和两阶段目标检测器效果差异的最重要原因：正负样本不平衡

当时以 YOLOv1 和 SSD 等为代表的单阶段目标检测的方法，虽然很快，但效果不尽如意，所以 RetinaNet 的作者就探索两种方法的效果差距究竟来源于哪里。

双阶段检测器：使用 RPN 网络来生成候选框，大约保留 1-2k，该网络能区分正负样本，保留下更多的正样本，过滤掉大量的背景样本，来保持前景和背景的样本均衡（如 1：3）
单阶段检测器：在特征图上均匀的部署很多 anchor，大约 100k 左右，大量的都是负样本

Focal loss：只支持 0 或 1 这样的离散类别 label 求 loss

Focal loss 是如何解决正负/难易样本不平衡：

正样本loss增加，负样本loss减小
难样本loss增加，简单样本loss减小

一般分类时候通常使用交叉熵损失：

$Cross\_Entropy(p,y)= \begin{cases} -log(p), & y=1 \\ -log(1-p), & y=0 \end{cases}$

为了解决正负样本数量不平衡的问题，我们经常在二元交叉熵损失前面加一个参数 $\alpha$ 。负样本出现的频次多，那么就降低负样本的权重，正样本数量少，就相对提高正样本的权重。因此可以通过设定 $\alpha$ 的值来控制正负样本对总的loss的共享权重。 $\alpha$ 取比较小的值来降低负样本（多的那类样本）的权重。即：

$Cross\_Entropy(p,y)= \begin{cases} -\alpha log(p), & y=1 \\ -(1-\alpha) log(1-p), & y=0 \end{cases}$

虽然平衡了正负样本的数量，但实际上，目标检测中大量的候选目标都是易分样本。这些样本的损失很低，但是由于数量极不平衡，易分样本的数量相对来讲太多，最终主导了总的损失。

因此，这篇论文认为易分样本（即，置信度高的样本）对模型的提升效果非常小，模型应该主要关注与那些难分样本。一个简单的想法就是只要我们将高置信度样本的损失降低一些, 也即是下面的公式：
$Focal\_Loss = \begin{cases} -(1-p)^ \gamma log(p), & y=1 \\ -p^\gamma log(1-p), & y=0 \end{cases}$

当 $\gamma=0$ 时，即为交叉熵损失函数，当其增加时，调整因子的影响也在增加，实验发现为2时效果最优。

假设取 $\gamma=2$ ，如果某个目标置信得分 p=0.9，即该样本学的非常好，那么这个样本的权重为 $1-0.9)^2=0.001$ ，损失贡献降低了 1000 倍。

为了同时平衡正负样本问题，Focal loss还结合了加权的交叉熵loss，所以两者结合后得到了最终的Focal loss：

$Focal\_Loss = \begin{cases} -\alpha (1-p)^\gamma log(p), & y=1 \\ -(1-\alpha) p^\gamma log(1-p), & y=0 \end{cases}$

取 $\alpha=0.25$ 在文中，即正样本要比负样本占比小，这是因为负样本易分。

单单考虑alpha的话，alpha=0.75 时是最优的。但是将 gamma 考虑进来后，因为已经降低了简单负样本的权重，gamma 越大，越小的alpha结果越好。最后取的是 alpha=0.25，gamma=2.0

RetinaNet 网络结构如下：

在这里插入图片描述

RetinaNet 是一个由 backbone + subnetworks 构成的统一的网络结构，backbone 后面跟了一个 neck 网络 FPN，然后后面跟了两个并行子网络，分别用于分类和回归。

原图经过 ResNet，输入 FPN
FPN 的 3 层特征上分别布 anchor，分辨率小的特征图上布的 anchor 也小，反之亦然，然后分别进行分类和回归
anchor 要计算 loss 就必然要有对应的真值框，如果 anchor 和某个 gt 的 IoU>0.5，则该 anchor 的真值就是这个 gt 样本，如果 0<=IoU<=0.4，则认为是负样本，其他 anchor 被忽略。

1.2.4 CenterNet

详细介绍见本文

论文：Objects as Points

代码：https://github.com/xingyizhou/CenterNet

发布时间：2019.4.16

出处：CVPR 2019

还有一种特殊的单阶段检测器，通过预测目标的关键点并将预测到的关键点进行分组来获得目标的边界框。

CornerNet 检测目标的左上角和右下角点，并将它们嵌入到抽象的特征空间中。它通过计算每对点的嵌入之间的距离来匹配同一对象的角点。
ExtremeNet 检测目标的 5 个特征点，分别是顶部、左侧、底部、最右侧和中心点，并结合Deep Extreme Cut，来使用极值点进行分割。
CenterNet 检测目标的中心点，使用 3 个分支来实现对目标的中心点和宽高的预测，避免了上述两个方法的关键点组合过程，也大大提高了检测性能

CenterNet 的贡献：

将目标建模成一个点（即 2D 框的中心点），基于该中心点，能够实现框的其他特性的回归，如尺度、3D 位置、姿态等等

CenterNet的缺点：

在实际训练中，如果在图像中，同一个类别中的某些物体的 GT 中心点，在下采样时会挤到一块，也就是两个物体在 GT 中的中心点重叠了，CenterNet 对于这种情况也是无能为力的，也就是将这两个物体的当成一个物体来训练 (因为只有一个中心点)。同理，在预测过程中，如果两个同类的物体在下采样后的中心点也重叠了，那么 CenterNet 也是只能检测出一个中心点，不过 CenterNet 对于这种情况的处理要比 Faster R-CNN 强一些的，具体指标可以查看论文相关部分。
CenterNet在训练过程中，如果同一个类的不同物体的高斯分布点互相有重叠，那么则在重叠的范围内选取较大的高斯点。

CenterNet 和单阶段或双阶段检测器的区别主要来自两个方面：

CenterNet 没有 anchor这个概念，只负责预测物体的中心点，所以也没有所谓的 box overlap 大于多少多少的算 positive anchor，小于多少算 negative anchor 这一说，也不需要区分这个 anchor 是物体还是背景，因为每个目标只对应一个中心点，这个中心点是通过 heatmap 中预测出来的，所以不需要NMS再进行来筛选。
CenterNet 的输出分辨率的下采样因子是 4，比起其他的目标检测框架算是比较小的 (Mask-Rcnn最小为16、SSD为最小为16)。之所以设置为 4 是因为 centernet 没有采用 FPN 结构，因此所有中心点要在一个 Feature map 上出，因此分辨率不能太低。

CenterNet 网络结构：CenterNet 提到了三种用于目标检测的网络，这三种网络都是编码解码 (encoder-decoder) 的结构（ResNet、DLA、hourglass），在 backbone 模型的最后输出部分都是加了三个网络构造来输出预测值，默认是80个类、2个预测的中心点坐标、2个中心点的偏置。

HeatMap，大小为（W/4,H/4,80），输出不同类别（80个类别）物体中心点的位置
Offset，大小为（W/4,H/4,2），对HeatMap的输出进行精炼，提高定位准确度
Height&Width,大小为（W/4,H/4,2），预测以关键点为中心的检测框的宽高

在这里插入图片描述

HeatMap 是如何生成的：每一个类别都有一张 heatmap，每一张 heatmap 上，若某个坐标处有物体目标的中心点，即在该坐标处产生一个 keypoint (用高斯圆表示）

首先，将原图上的 gt 框缩放到网络预测时候使用的宽高大小，比如预测的时候使用 128x128 的尺度，然后求 box 的中心点坐标并取整，这个中心点设为 point
接着，根据目标 box 大小计算高斯圆的半径，设为 R
在 heatmap 图上，以 point 为圆心，半径为 R 填充高斯函数计算值 (point 点处为最大值，沿着半径向外按高斯函数递减)
如果同一类别的两个高斯分布重合了，则使用逐个像素点取最大值的方法来处理

在这里插入图片描述

为什么要用高斯核来处理中心点：

Heatmap 上的关键点之所以采用二维高斯核来表示，是由于对于在目标中心点附近的一些点，其预测出来的 box 和 gt_box 的 IoU 可能会大于 0.7，不能直接对这些预测值进行惩罚，需要温和一点，所以采用高斯核。

CenterNet 网络有三个输出，那么如何将这些输出转为直观的检测框信息呢，也就是如何从 point 到 b-box？

主要通过最大池化操作（类似 NMS）后在 heatmap 上寻找 topk 个最大值，即可能为物体中心的索引。然后根据这 topk 个中心点，寻找其对应的类别、宽高和 offset 信息。

CenterNet 的 NMS 方法：

CenterNet 的 NMS，是寻找某点与其周围的八个点之间最大值，作为其 NMS 的极大值。那么该操作可以使用最简单的 3x3 的 MaxPooling 实现。 3x3 大小的 kernel 加上特征图和输入图像之间的 stride=4，相当于输入图像中每 12x12 大小的区域都不会有重复的中心点，想法非常简单有效！

在预测阶段，首先针对一张图像进行下采样，随后对下采样后的图像进行预测，对于每个类在下采样的特征图中预测中心点，然后将输出图中的每个类的热点单独地提取出来。检测当前热点的值是否比周围的八个近邻点(八方位) 都大 (或者等于)，然后取100个这样的点，采用的方式是一个 3x3 的 MaxPool，类似于 anchor-based 检测中 nms 的效果。

Loss 函数：

1、中心点损失 hm：

在这里插入图片描述

$\alpha$ 、 $\beta$ 是 focal loss 的超参数，用来均衡难易样本和正负样本，本文中 $\alpha=2$ 、 $\beta=4$
相比focal loss，负样本的loss里面多了一个 $1-Y_{xyc})β$ ，是为了抑制 $0<Y_{xyc}<1$ 的负样本的loss (heatmap高斯中心点附近那些点)
$N$ 是图像 $I$ 中的关键点个数
$N$ 是用来将所有正例的 focal loss 归一化到1

该 Focal loss 函数是针对 CenterNet 修正而来的损失函数，和 Focal Loss 类似，对于 easy example 的中心点，适当减少其训练比重也就是loss值。

$(1-\hat{Y}_{xyz})^{\alpha}$ 和 $(\hat{Y}_{xyz})^{\alpha}$ 的作用：

限制 easy example 导致的梯度更新被易区分的点所主导的问题
当 $Y_{xyz}=1$ 的时候，假如 $\hat{Y}_{xyz}$ 接近1的话，说明这个是一个比较容易检测出来的点，那么 $(1-\hat{Y}_{xyz})^{\alpha}$ 就相应比较低了。
当 $Y_{xyz}=1$ 的时候，而 $\hat{Y}_{xyz}$ 接近0的时候，说明这个中心点还没有学习到，所以要加大其训练的比重，因此 $(1-\hat{Y}_{xyz})^{\alpha}$ 就会很大， $\alpha$ 是超参数，这里取2。
当 $Y_{xyz}=0$ 的时候，预测的 $\hat{Y}_{xyz}$ 理论上也要接近于0，但如果其预测的值 $\hat{Y}_{xyz}$ 接近于1的话， $(\hat{Y}_{xyz})^{\alpha}$ 的值就会比较大，加大损失，即增加这个未被正确预测的样本的损失。

$(1-Y_{xyz})^{\beta}$ 的作用：

该项是为了平衡正负样本（弱化了实际中心点周围的其他负样本的损失比重，加强了远离实际中心点周围的负样本的损失比重，因为实际的物体只有一个中心点，其余都是负样本，但负样本相较于中心点来说显得有很多很多）
该项和预测的结果没有关系，只和距离中心点的远近有关系，距离中心点越近，真值 $Y_{xyz}$ 越接近于1，而 $(1-Y_{xyz})^{\beta}$ 会越小，即离中心越近的点的损失会变小，会更加注重离中心较远的点的情况。
$Y_{xyz}$ 是高斯核生成的中心点，且中心点上 $Y_{xyz}=1$ ，对于中心点周围的点，离中心点越远，则其值会慢慢下降为0。当越接近于中心点时， $Y_{xyz}$ 会越大，则 $(1-Y_{xyz})^{\beta}$ 的值会越小，反之该值会越大。
即对离中心点越近的点，假设 $Y_{xyz}$ 的值为0.9（otherwise情况），但预测得到其为接近于1，那显然是不对的，应该预测为0才对。此时 $(\hat{Y}_{xyz})^{\alpha}$ 的值很大，loss会变大，但因为其离中心很近，预测的结果接近于1也情有可原，所以用 $(1-Y_{xyz})^{\beta}$ 来使得loss减小一些。
对于离中心点越远的点，假设 $Y_{xyz}$ 的值为0.1（otherwise情况），但预测得到其为接近于1，那显然是不对的，要用 $(\hat{Y}_{xyz})^{\alpha}$ 来惩罚，如果预测的接近于0，那么差不多了， $(\hat{Y}_{xyz})^{\alpha}$ 值就会很小。而 $(1-Y_{xyz})^{\beta}$ 的值会较大，也就是使得离中心点较远的点的损失比重较大，越近的点的损失比重越小，相当于弱化了实际中心点周围的其他负样本的损失比重，加强了远离实际中心点周围的负样本的损失比重。

看一下官方的这张图可能有助于理解：

传统的基于 anchor 的检测方法，通常选择与标记框IoU大于 0.7 的作为 positive，相反，IoU 小于 0.3 的则标记为 negative，如下图a。这样设定好 box 之后，在训练过程中使 positive 和 negative 的 box 比例为 1:3 来减少 negative box 的比例 (例如 SSD 没有使用 focal loss)。
而在 CenterNet 中，每个中心点对应一个目标的位置，不需要进行 overlap 的判断。那么怎么去减少 negative center pointer 的比例呢？CenterNet 是采用 Focal Loss 的思想，在实际训练中，中心点的周围其他点 (negative center pointer) 的损失则是经过衰减后的损失(上文提到的)，而目标的长和宽是经过对应当前中心点的 w 和 h 回归得到的：

在这里插入图片描述

2、目标中心的偏置损失 reg：

因为对图像进行了 R=4 的下采样，这样的特征图重新映射到原始图像上的时候会带来精度误差，因此对于每一个中心点，额外采用了一个 local offset 去补偿它。所有类 c 的中心点共享同一个offset prediction，这个偏置值(offset)用L1 loss来训练：

在这里插入图片描述

这个偏置损失是可选的，我们不使用它也可以，只不过精度会下降一些。

仅仅在关键点位置 $\widetilde{p}$ 上实行有监督行为，其他位置被忽略。

3、目标大小的损失 wh：

我们假设 $x_1^{(k)}, y_1^{(k)}, x_2^{(k)}, y_2^{(k)})$ 为目标 k ，所属类别为c ，它的中心点为：

$p_k = (\frac{x_1^{(k)}+x_2^{(k)}}{2},\frac{y_1^{(k)}+y_2^{(k)}}{2})$

使用中心点去预测所有目标的中心点，然后回归每个目标 k 的目标大小：

$s_k = (x_2^{(k)}-x_1^{(k)},y_2^{(k)}-y_1^{(k)})$

损失函数：L1 loss

在这里插入图片描述

4、整体损失

整体的损失函数为物体损失、大小损失与偏置损失的和，每个损失都有相应的权重。

在这里插入图片描述

$\lambda_{size}=0.1$
$\lambda_{off}=1$
论文中所使用的 backbone 都有三个head layer，分别产生 [1,80,128,128]、[1,2,128,128]、[1,2,128,128]，也就是每个坐标点产生 C+4 个数据，分别是类别以及、长宽、以及偏置（C：C个热力图，每个代表一个类别，4：2个 wh，2个 offset）。

1.2.5 FCOS

详细介绍见本文

论文：FCOS: Fully Convolutional One-Stage Object Detection

代码：https://github.com/aim-uofa/AdelaiDet/tree/master/configs/FCOS-Detection

出处：ICCV2019

贡献：将类似 FCN 的全卷积的方法应用到了目标检测任务上，能够实现端到端的单阶段预测；也是第一个使用逐个像素点预测的目标检测方法，并提出了 centerness 分支，在推理阶段抑制低质量框并提升检测效果。

和 CenterNet 的出发点类似，当时占据统治地位的大都是基于 proposal 和 anchor 的方法，但这些方法有一些共同的缺陷：

检测效果严重依赖于预定义框的尺寸、宽高比、数量等等，如 RetinaNet 通过调节这些超参数，就在 COCO 上提高了 4 AP，所以 anchor-based 方法需要细致的调节这些超参数
由于目标大小和尺度跨度较大，所以尽管使用很丰富的参数，也有不能覆盖的情况
anchor-based 方法为了提升效果，一般会使用很多的 anchor，但很多 anchor 其实是覆盖到负样本上了，有很严重的正负样本不平衡问题
过多的 anchor 会在训练的时候和真值计算 IoU 的时候增加很大的计算量

在这里插入图片描述

FCOS 的主要过程：

首先，将图像输入 Backbone，然后将 8 倍、16 倍、32 倍下采样的特征图送入 FPN，得到 FPN 的 5 层输出特征（8/16/32/64/128 倍下采样）
接着，在 FPN 的每一层后面都使用分类和回归头（不同分辨率特征的 head 参数是共享的），对 FPN 特征图上的每个位置都进行分类得分、centerness 得分、位置回归的预测。
- 分类得分是属于类别的得分
- centerness 得分是某个 anchor 是否在中心点的得分，在 0~1 之间，距离中心点越近则 centerness 越接近于 1，如果某个点趋近于 gt 框的边界，则 centerness 趋近于 0，在测试的时候，会将 centerness 和分类得分相乘，作为 NMS 排序的依据，降低距离中心点距离远的特征点的分数
- 位置回归是该特征点到 gt 框的左、上、右、下四条边的距离
然后，将FPN 的每层特征图中的点都当做初始 anchor point，并将 anchor point 映射回原图中，根据 anchor point 是否落入 gt 框内部（或 3x3 区域内）来判断是否为正 anchor，其他的特征点赋值 80，作为负样本
接着，对所有正 anchor 分配对应的 gt，并根据 gt 的真实面积大小将这些 anchor 分配到不同的 FPN 特征图上去 (每层特征图负责对应大小的目标，((-1, 64), (64, 128), (128, 256), (256, 512), (512, INF)))，如果某个 anchor 属于多个 gt 框内部，则选择面积最小的作为对应的 anchor

FCOS 的测试：

首先，输入图像经过 backbone，并得到 FPN 的 5 层输出特征
然后，FPN 特征经过分类和回归头，得到每个位置上的分类和回归结果，将分类得分 > 0.05 的位置看做正样本，保留前 1000 个位置
接着，对正样本，根据回归得到的左、上、右、下的距离，反推出框的边界
最后，使用 NMS，将分类得分和 centerness 得分相乘（过滤掉距离远的低质量样本）作为 NMS 排序准则，NMS 的 IoU 过滤阈值为 0.5

2、Label Assignment

虽然说很多单阶段目标检测器是 anchor-free 的，但其实可以将那些 point 看成 anchor point，只是不像 anchor box 那种必须有一个框才能称为 anchor，所以我们这里将 anchor-free 方法中的 point 也称为 anchor point，而将 anchor-based 方法中的 bbox 称为 anchor box。

2.1 RetinaNet

详细介绍见本文

论文：Focal Loss for Dense Object Detection

代码：https://github.com/facebookresearch/Detectron

出处：原始论文出自 ICCV2017

在每个位置设定多个 anchor，使用 IoU 来区分前景、背景框，IoU 大于某个阈值（如0.5）的为正样本，小于某个阈值（如0.3）的为负样本，其他框忽略。

缺点：IoU 阈值需要人工选择

2.2 FCOS

详细介绍见本文

论文：FCOS: Fully Convolutional One-Stage Object Detection

代码：https://github.com/aim-uofa/AdelaiDet/tree/master/configs/FCOS-Detection

出处：ICCV2019

FCOS 中，是以 anchor point 作为特征点，将每个点当做训练样本，使用点是否在框内来区域前景、背景点

缺点：需要设定阈值参数，且这些确定的规则虽然对大多数目标适用，但对一些 outer 的目标是不使用的，所以，对不同的目标应该用不同的规则。

2.3 ATSS

详细介绍见本文

论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection

代码：https://github.com/open-mmlab/mmdetection/tree/master/configs/atss

出处：CVPR2020

ATSS 是一种 anchor 正负划分的方式，不是一种目标检测框架，所以需要嵌入其他目标检测框架中进行目标检测，可以嵌入 FCOS 和 RetinaNet 的结构中

贡献：使用实验证明了单阶段 anchor-based 方法和 anchor-free 方法的效果差距的最主要原因在于正负样本的划分方式（对比 FCOS 和 RetinaNet）。Adaptive Training Sample Selection (ATSS) ，根据目标的统计信息，自动选取正负样本，无任何超参数。

分析 anchor-based 和 anchor-free 方法效果不同的本质原因：

在训练检测器时，首先要定义正负样本来进行分类，其次要对正样本进行回归，ATSS 中利用实验证明了 FCOS 是对 RetinaNet 在正负样本定义上的优化，才取得了效果提升。

首先将 RetinaNet 和 FCOS 的效果进行了拉齐，然后进行了对比。
对于 RetinaNet，使用 FCOS 的定义正负样本的方法，AP 从 37.0%→37.8%。
对于 FCOS，使用 IoU 方法来定义正负样本，AP 从 37.8%→36.9%。

该结论说明，正负样本选择的方法对 anchor-free 和 anchor-based 方法的结果的差别起到了很重要的作用。

ATSS 如何划分正负样本：

计算每个样本点和真实框中心点的 L2 距离，保留距离最小的前 k 个点
计算保留下来的 anchor 和真实框的 IoU，并计算这组 IoU 的均值和方差，均值和方差的和即为阈值
大于阈值的为正样本

上面为什么使用 anchor 和 object 的中心点距离来选择候选框？

RetinaNet 中，如果两个框中心点距离越近，则其 IoU 得分会越高
FCOS 中，anchor point 如果距离目标中心点的距离越近，则是高质量 point，会产生更好的检测结果。

为什么要使用均值和标准差这些统计结果来非固定的阈值？

这里使用的是 $k\times l$ 个 anchor 的 IoU 的统计信息，也可以看做是选择了 level。

本文的阈值是一个统计结果，如图 3(a) 有一个高的阈值，这是因为这里的候选框质量都很高，如图3(b) 有一个低的阈值，说明这里的框的质量都不高，如果使用高阈值的话，会把绝大部分的框都滤掉，不合适，所以使用统计的量作为阈值是一个可取的方式。

IoU 的方差决定了由 FPN 的哪几个 level 来负责检测该目标：

FPN 层的一个很大的作用就是分而治之，比如较大的目标是由较深的层来负责：

若方差大，则说明不同 level 上的 anchor 和 gt 的匹配程度有较大差异，有少数几个 level 上的 anchor 的 IoU 特别高，那么 IoU 的阈值也应该调高，这样那几个少数的合适 level 上的 anchor 被保留，其余 level 被淘汰。下图 a 就是高方差的情景，level 3适合检测该目标，则加上高方差后，level3 留下，其余淘汰
若方差小，则说明不同 level 上的 anchor 和 gt 的匹配程度有较小差异，那么 IoU 的阈值也该调小，这样加上低方差，正确的 level 就会保留，下图 b 是低方差的情况，加上低方差后， level 1 被保留。

综上也可知，IoU 阈值和 IoU 的方差有关

2.4 Free Anchor

详细介绍见本文

论文：FreeAnchor: Learning to Match Anchors for Visual Object Detection

代码：https://github.com/zhangxiaosong18/FreeAnchor

出处：NIPS2019

贡献点：

将检测器的训练过程建模成了一个最大似然估计（MLE）的过程，使用学习的方法来实现 anchor assignment，而非手动更新，打破了 IoU 的限制，让目标能够基于最大似然估计来自主的选择其 anchor
将检测器的优化定制成了似然形式，并且提出了 end-to-end 的形式来联合优化分类和回归，也就是一个端到端的完整的检测器，而非单独的 anchor 匹配的方法

Anchor-based 方法的 label assignment，一般使用 IoU 来实现，大于某个阈值的 anchor 为正样本，小于某个阈值的 anchor 为负样本，每个 anchor 的 assignment 是独立的，但手工选取的参数肯定不是最优的。

原因有两点：

离心状的目标，如细长、偏靠的雨伞、香蕉等，最具有区分力的特征并未处于目标中心，空间上较为对其的 anchor 可能并没有包含这些区分特征，扰乱分类和回归的性能
当很多目标离得很近或重叠、聚集时，仅仅使用难以 IoU 获得最优的 anchor 分配

本文提出了一种基于学习策略的 label assignment 方法，从 3 个方面来分析：

为了实现高 recall，每个 gt 需要至少一个 anchor 和之匹配
为了实现高 precision，需要把定位效果差的 anchor 分配到背景类上去
需要和 NMS 兼容，即高分类得分的框同时定位也要好，才能保留下来优质的框

基于上述分析，作者将 object-anchor 的匹配问题，构造成了一个最大似然估计 maximum likelihood estimation（MLE）过程，即从一系列 anchor 中选择优质的 anchor 并分配给每个 gt。

MLE 的过程，就是最大化一个似然估计，保证每个 gt 至少有一个 anchor 是同时具有高分类得分和定位得分的。其他很多分类误差大或定位误差大的 anchor 被分为 background。在训练过程中，似然估计也就变成了 loss 函数。

在这里插入图片描述

如何将检测的 loss 转换成极大似然估计的形式：

以 IoU 来进行 label assign 的方法一般的 loss 形式如下， $C_{ij}$ 是 anchor 的匹配，如果 anchor 为正，则 $C_{ij}=1$ ，即可能和 gt 匹配。经过一轮迭代后，每个 anchor 和一个 gt 配对。
根据极大似然估计，将 loss 函数写为极大似然形式如下， $p^{cls}$ 为分类得分， $p^{loc}$ 为定位得分。最小化 $L(\theta)$ 相当于最大化 $P(\theta)$

上面的 2 式，其实就从 MLE 的角度，同时考虑的分类和回归，但一般的方法也就缺乏了一点：如何优化 matching matrix $C_{ij}$ ，因为一般都是直接使用 IoU 来决定该 matrix 的值。

所以，FreeAnchor 的网络学习的是什么，就是这个 matrix $C_{ij}$

如何学习这个最优的 matching matrix $C_{ij}$ 呢：

首先，使用 IoU，选出 anchor 集合中的 top-n anchors（也就是缩小了 anchor 的可选择范围，但还是可以选择的，而非直接指定确定的 anchor 来匹配某个 gt）
接着，通过最大化 detection customized likelihood 来让网络学习最优的 gt-anchor 匹配
其次，为了优化 recall 效果，对每个真值，都至少需要一个 anchor，且该 anchor 对应的分类和回归结果是和该 gt 的真值很相近的（也就是该 anchor 很优质），则该目标函数可以写为：
再次，为了优化 precision 效果，分类器要能够把定位差的 anchor 分配到 background 类上去，则该目标函数如下所示，其中， $P\{a_j \in A\_\}=1-\text{max}_iP\{a_j \to b_i\}$ ，表示 $a_i$ 没有和任何 gt 匹配上的概率， $P\{a_j \to b_i\}$ 表示 anchor $a_j$ 能够正确预测目标 $b_i$ 的概率：
然后，为了更好的适配 NMS 过程， $P\{a_j \to b_i\}$ 需要满足如下三个特性，分段函数如图 2 所示：
- $P\{a_j \to b_i\}$ 是随着 $a_j$ 和 $b_i$ 的 IoU 的增大而单调递增的
- 当上述 IoU 小于某个阈值 $t$ 时， $P\{a_j \to b_i\}$ 趋于 0
- 对一个目标 $b_i$ 至少存在一个 anchor $a_i$ ，满足 $P\{a_j \to b_i\}=1$

最后，detection customized likelihood 定义如下，通过优化这个似然函数，可以同时最小化 recall 和 precision 的概率，实现在训练过程中无需手动匹配 gt-anchor：

在这里插入图片描述

为了实现 learning-to-match 的方法，公式 5 可以被转换成 detection customized loss function ，公式如下：

在这里插入图片描述

其中，max 函数是用来给每个 gt 选择最优 anchor 的
在训练的过程中，anchor 序列中的每个 anchor，都会被用来优化模型参数

训练早期，由于所有参数都是随机初始化而来，所以所有 anchor 的置信度都比较低，而得分较高的 anchor 越有利于模型的训练，所以，作者使用了 Mean-max 函数，来选择 anchor。如图 3 所示，Mean-max 函数是近似 mean 函数的，也就是说，几乎所有的 anchor 都会用于训练：

在这里插入图片描述

Mean-max 其实可以看做先 mean，最后 max 的情况。刚开始所有的 anchor 其实都不太准，所以取平均，随着训练的进行，一些 anchor 的置信度会逐步增加，最后肯定会有一个最大的 anchor 作为最终的选择。即随着训练，从 mean 过渡到 max，然后会给每个 gt 选择一个最优的 anchor。

使用 Mean-max 函数代替公式 6 中的 max 函数，并添加平衡因子和使用 Focal loss。

FreeAnchor 检测器最终的 detection customized loss 函数公式如下：

在这里插入图片描述

2.5 AutoAssign

详细介绍见本文

论文：AutoAssign: Differentiable Label Assignment for Dense Object Detection

代码：https://github.com/Megvii-BaseDetection/AutoAssign

出处：被 ECCV2020 拒

贡献：提出了让网络自主学习 anchor 正负的方法，首先提出了一种与类别相关且对不同位置使用不同权重的 label assign 方法，能够同时优化空间和尺度的 label assignment。具体来说，就是引入了两个加权系数：① Center weighting 用于学习不同类别的先验，让每个类别有自己的正样本采样方式；② confidence weighting 用于学习每个位置的前景权重和背景权重

现有的标签分配方法的不足：

Anchor-free 方法中有些方法将落在 gt 中心点某个半径内的点看做正样本，也称为 center prior，也就是认为距离中心点距离越近的点，越有可能是正样本。而这些前提都需要极强的先验知识，同时也是固定策略的正负样本，不能在训练过程中通过学习进行更改。
有海量的超参数需要调整：例如，anchor 的 num，size，aspect ratios；或者 radius，top-k，IoU 阈值等等
现有的 label assignment 方法对 spatial 和 scale 的 assign 是分别采用不同的方式解决的，没有同时解决。

其他方法是怎么解决上述问题的：

GuidedAnchoring 和 MetaAnchor 在 sampling 之前，动态的改变 anchor 的形状
还有一些方法在空间维度（FreeAnchor、ATSS）和尺度维度（FSAF）动态修正采样的策略

其他方法的缺点：

上述的方法只能在数据维度添加动态的因子，还有需要人为设定的参数在里边。

AutoAssign 的做法：AutoAssign 的正负样本分配，可以看做把处于目标上的样本点看做正样本，把虽然在 bbox 内但不属于目标本身的样本点看做负样本（AutoAssign 认为在真实目标上采样，肯定比在背景上采样效果更好）。

AutoAssign 这样做的优势：让标签的分配依赖于数据先验的同时，也能对不同的类别进行不同的自适应，避免了人为选定参数，如 IoU 阈值、anchor 分布、top-k 等。

在这里插入图片描述

AutoAssign 的两个特点：

将每个尺度的每个位置平等看待，不直接划分正负样本：AutoAssign 的框架是建立在 FCOS 之上的，对每个 location 都平等对待，每个 location 都有正样本属性和负样本属性（即体现在原文中的w+ 和w-）。

也就是说，在优化的过程中，有些样本会同时受到来自它为正样本的监督和负样本的监督，两者利用 $w^+$ 和 $w^-$ 来平衡配比，此外，不在任何 gt 框里的 location 其正样本属性 w+ 必然为0，也就是那些位置必然是background。
联合优化分类和回归（将回归函数也处理成了似然形式）： $L_i(\theta) = L_i^{cls}(\theta)+\lambda L_i^{loc}(\theta) =-log(P_i(\theta))$

加权机制：

Center weighting module：class-aware，给每个类别学习一个正负样本分配方式，给正负样本加权，一般认为距离中心越近，是正样本的权重越大，但这里是对每个类别分别学习先验，可以调整中心点的位置和开口的尺度
Confidence weighting module：instance-aware，给每个位置分别学习正负样本的权重 $w^+$ 和 $w^-$ ，作为权重控制最终的 loss。

从 label assignment 的角度来看，AutoAssign 究竟做了什么：

能够从特征图中动态的找到 FPN 的合适的尺度，和空间位置

其他 label assignment 的方法对不同的数据集的提升可能不太稳定，但 AutoAssign 可以根据不同的数据来动态调整，无需额外的手动调节和参数设置，就能达到约 1% 的提升。

2.6 PAA

详细介绍见本文

论文：Probabilistic Anchor Assignment with IoU Prediction for Object Detection

代码：https://github.com/open-mmlab/mmdetection/tree/master/configs/paa

出处：ECCV2020

贡献：提出了基于概率统计的 anchor assignment 的方法，使用 anchor 得分来自适应的区分 anchor 的正负。使用（预测 anchor 和 gt 的 IoU * 预测的Classification score）来作为 NMS 框排序衡量标准。

如何计算 anchor 得分呢：

此处作者考虑 anchor assignment 策略有三点需注意：

第一，应该基于如下方式来衡量 anchor 的质量：与之相关的模型是如何确定该 anchor 是一个目标的可能性的
第二，正负样本的区分不能存在人为设置的参数（如 IoU 阈值等），需要自适应的完成样本分配
第三，label assignment 的过程应该被建立为一个针对某个分布的似然最大化的过程，保证 assignment 的过程是一个概率方式。

作者如何实现 anchor score：

在这里插入图片描述

$S_{loc}$ ：anchor 和 gt 的 IoU，gt 是和 anchor 的 IoU 最大的真值框
$S_{cls}$ ：预测的分类得分

对上面的 score 使用负对数形式后得到：

在这里插入图片描述

为什么要使用负对数？

anchor score 越高，越有可能是正样本，anchor score 越高，则要求分类得分和定位得分都越大，换个说法，要求分类 loss 和定位 loss 都越小。所以，使用负对数能够将得分转化成 loss 的形式，最大化 anchor score ，则就是最小化 anchor score 的负对数结果。

由于 anchor assignment 的目的是将一堆 anchor 区分为正负样本，故使用高斯混合模型来对 anchor score 进行建模，得到 anchor score 后，可以使用 EM 算法来求解这个高斯混合模型的似然结果：

在这里插入图片描述

PAA 的整体过程：

首先，将图像输入 backbone，并经过 FPN，在 FPN 的每层特征图上生成初始 anchor
其次，给每个 anchor 分配 gt（分配标准是和 anchor 的 IoU 最大的真实框作为 gt）
接着，对每个 anchor 都计算对应的 anchor score，使用高斯混合模型对 anchor score 进行建模，该得分反应了模型如何在每个 anchor 的视角来寻找有用的信息来检测目标，作为一个正样本，期望 anchor score 越大越好。
然后，通过这些已知的 anchor score，使用极大似然找到 negative 和 positive 的两种分布，能够很好的区分正负样本，如图 1，有了上述分布后，就能很好的使用 anchor score 来进行正负样本的区分，也就是将 label assignment 的问题转化为了概率问题，可以直接从分布中拿到结果。经过 PAA 后，已经拿到了对所有 anchor 的正、负、忽略的类型划分。
最后，计算 loss

2.7 OTA

详细介绍见本文

论文：Optimal Transport Assignment for Object Detection

代码：https://github.com/Megvii-BaseDetection/OTA

出处：CVPR2021

贡献：

提出了一种基于优化策略的标签分配方式，Optimal Transport Assignment (OTA)，将 gt 看做 label 供应商，anchor 看做 label 需求方。对于正样本，将分类和回归的 loss 加权和作为传输花费，对于负样本，传输花费就为分类 loss，通过最小化该花费，让网络自己学习最优的标签分配方式。
免去了手工选定参数的方式来实现标签分配，让网络自己选择每个 gt 对应的 anchor 数量，而非提前设定，也能够较好的解决模棱两可的 anchor 分配问题，提高网络对这部分 anchor 的处理效果

在这里插入图片描述

RetinaNet 使用 IoU 来实现，FCOS 根据每个点是否在 gt box 内部来确定其正负。

这些方法忽略了一个问题：不同大小、形状、遮挡程度的目标，其 positive/negative 的判定条件应该是不同的。

所以就有一些方法使用动态的分配方法，来实现 label assignment。

ATSS 根据统计信息，来分配正负样本
Freeanchor、AutoAssign 等通过使用预测的 confidence score 来动态分配正负

作者认为，独立的给每个 gt 分配 pos/neg 不是最优的方法，缺失了上下文信息，当处理那些模棱两可的 anchor 时（如图 1 中的红色点，一个点处于多个 gt 中），上面的方法是靠手工的特征来选定属于哪个 gt 的（如 max-IoU、min-Area 等）。

CNN 的方法中，其实是 one-to-many 的形式，也就是一个 gt 会对应多个 anchor。

本文作者为了从 global 的层面来实现 CNN 中的 one-to-many assignment，将 label assignment 问题变成了一个 Optimal Transport（OT）问题（线性规划的一个特殊形式）。

OT 是这样的一个问题：

假设有 m 个供货商（gt），n 个需求方（anchor）
第 $i$ 个供货商有 $s_i$ 单元的货物（一个 gt 对 $s_i$ 个 anchor 负责），第 $j$ 个需求方需要 $d_j$ 单元的货物（一个 anchor 只需要一个 label）
每个单元的货物从供货商 $i$ 到需求方 $j$ 的 Transporting cost 是 $c{ij}$
OT 问题的目标是寻找一个 transportation plan π*，让这个 Transporting cost 最小

把 OT 放到目标检测的问题中，假设有 m 个 gt，n 个 anchor（所有 FNP 层的 anchor 之和）

把 gt 看做 positive labels 的供货商，供应 label，能够对 k anchor 供应 positive label，也就是每个 gt 对 k 个 anchor 负责（ $s_i=k, i=1,2,...,m$ ）

把 anchor 看做需求方，需要一个label（ $d_j=1, j=1,2,...,n$ ）

把一个 positive label 从 $gt_i$ 传递到 anchor $a_j$ 的花费为 $c^{fg}$ ，则该花费就是 cls 和 reg loss 的加权和（分类可用 Focal loss，回归可用 IoU loss 等），这里是点对点的 loss 之和，也就是所有的 gt 和所有的 anchor 分别点对点求 loss：

在这里插入图片描述

$\alpha$ 是平衡因子，被设置为 1.5

除过 positive assignment，还有很大一部分 anchor 是负样本，所以还引入了一个供应商——背景，来提供 negative labels。

标准的 OT 问题中，供货商和需求方的数量应该是一样的，所以，背景可以提供的 negative labels 的数量就是 $\times k$ ，n 为 anchor 格式，m 为 gt 个数

将一个 negative label 从 background 传递到 anchor 的花费如下，只有分类的 loss：

在这里插入图片描述

将 $c^{bg}\in R^{1\times n}$ 和 $c^{fg} \in R^{m \times n}$ concat 起来，就得到了最终的花费 $\in R^{(m+1) \times n}$ 。其中 m 个 gt， n 个 anchor。

每个 gt 负责的 anchor 个数为 k
背景负责的 anchor 个数 = anchor 总数 n - 所有 gt 负责的 anchor 之和

每个供应商（gt 或 background）负责的 anchor 个数为 $s_i$ ，以 m 为区分，m+1 表示的就是 background：

在这里插入图片描述

有了花费、供应商、需求方后，最优传递方案 π* 可以使用 off-the-shelf Sinkhorn-Knopp Iteration 方法解该 OT 问题来得到。

具体图示见图 2 中的 cost matrix，每行为一个 gt，每个 gt 会分别计算其和每个 anchor 的花费，组成最终的 cost matrix。

得到了 π* 之后，可以通过把每个 anchor 分配到能给他供货最多（即提供 label 数量最多）的 gt 上去来实现最优 label assignment。

OT 的计算只需要矩阵乘法，可以使用 GPU 来加速，提高了约 20% 的训练时间，在测试时候是无多消耗的。

OTA 的结构如下：

在这里插入图片描述

OTA 的过程如下：

先经过推理，得到预测的 anchor 对应的类别和位置
确定每个 gt 负责的 anchor 个数 $s_i$ （根据 Dynamic k 得到的）
确定 background 负责的 anchor 个数 $s_{m+1}$ （n-s）
每个 anchor 需要的 label 都是 1 个
计算每个 gt 对所有 anchor 的 cost（包括分类 cost、回归 cost、center prior cost）
优化 cost，得到最优传输方案 π*
每个 gt 根据前面计算得到的负责的 anchor 个数，则选择该 gt 对应的该行中，前 top-k 个位置的 anchor 作为候选框
如果多个 gt 对应了一个 anchor，则在这几个 gt 中选择 cost 最小的，对该 anchor 负责

2.8 SimOTA

SimOTA 是 YOLOX 中使用的 label assignment 的方式。都是旷世提出的方法。

在 OTA 中，总结了一个好的 label assignment 的方法一般有四个优点，且 OTA 也都满足了：

Loss/quality aware
Center prior
Dynamic number of positive anchors for each $g t$
Global view

OTA 将 label assignment 问题从 global 层面出发并看成了一个最优传输的问题，但 OTA 有一个问题，它需要使用 Sinkhorn-Knopp algorithm 来优化，这会增加 25% 的训练时间，假设使用 300 epoch，那增加的时长是不容小觑的。

所以孙剑等人又提出了 SimOTA，将 OTA 的优化过程简化了——dynamic top-k strategy，使用该优化策略得到一个大概的解决方案。

SimOTA 是如何简化的？

求每个真值和 anchor 的传输花费 $c_{ij}$ ：在 SimOTA 中，真值 $g_i$ 和预测 anchor $p_j$ 的传输花费如下， $\lambda$ 是权重，其余两者分别为 $g_i$ 和 $p_j$ 的分类 loss 和回归 loss：
对于每个真值 $g_i$ ，在固定的 center 区域，选择花费最小的前 k 个 anchor，作为该 $g_i$ 所负责的 anchor。也就是使用某种方法优化传输方式使得花费最小，而是直接选择计算后的 cost matrix 中，每行对应花费最小的 anchor。至于每个 gt 选择 k 个 anchor，这里的 $k$ 仍然使用 OTA 中的 Dynamic k Estimation 方法。

SimOTA 的优势：

降低了训练时间
避免了 Sinkhorn-Knopp algorithm 优化过程中的超参数
在 YOLOX 中，将 AP 从 45%→47.3%

3、后处理之 NMS

详细介绍见本文

NMS 及其变体在边缘检测、关键点检测和目标检测等视觉任务上都有广泛的使用。主要用于剔除和极大值重叠率过大的检测结果。

使用场景：

测试
推理

NMS 的分类：

类内 NMS
类间 NMS

3.1 NMS

NMS 的过程如下：

对单张图中的所有检出框按照得分排序（此处说的是类间 NMS，类内的则在每个类内进行操作）
以最高得分的框为基准，计算所有框和其 IoU 得分
如果某个框和最高得分框的 IoU > 阈值，则将该框类别得分置为 0，即直接剔除该框
在剩下的框中再选择得分最高的框，重复进行这种剔除，直到全部结束

在这里插入图片描述

NMS 方法的不足

稠密场景会出现漏检：因为稠密场景的目标本身重合就比较大，会把置信度较小但为真实目标的框筛掉
实际效果容易被阈值影响：NMS 的阈值是人为设定的，阈值过大会出现误删，阈值过小会出现误检，对 mAP 有很大影响。
分类得分和 IoU 的割裂使用，盲目认为得分最大的框的定位也是最准确的，忽略了得分低的框的定位也可能是准确的

3.2 Soft NMS

由于 NMS 的剔除方法过于暴力，可能剔除掉真正定位准确的框，导致保留的框不准确或漏检的问题，而 soft-NMS 不直接删除 IoU 大于阈值的框，而是降低其分类得分，用以缓解漏检的情况。

1、NMS 的处理方法：

在这里插入图片描述

2、Soft NMS 的处理方法：

首先选择得分最大的框 M，并计算所有框和 M 的 IoU
对于 IoU>阈值的框，将其分类得分适当降低（降低的方式有线性和高斯两种方式），而非直接剔除，来避免漏检的情况。

具体是如何降低得分的呢（只降低 IoU > 阈值的框的得分）：

对于 IoU 越大的框，得分降低的越多：当一个框和 M 的 IoU 越大的时候（如0.9），那么它们越有可能属于同一目标，越应该被剔除，而 soft NMS 是狠狠的降低其分类得分
对于 IoU 越小的框，得分降低的越少：当一个框和 M 的 IoU 不是很大的时候（如0.7），那么它们越有可能不属于同一目标，可能是相邻很近的互相遮挡的不同目标，越不应该将其剔除，所以 soft NMS 稍微降低了其分类得分
作者使用了两种加权方式，经过实验证明，高斯加权的方式更优

第一种加权方式：线性加权，当 IoU 越大，(1-IoU) 越小，则和 $s_i$ 相乘后越小，修正后的分类得分越小

在这里插入图片描述

但上面的公式在阈值 $N_t$ 处是不连续的，所以作者使用高斯惩罚函数，为什么是不连续的：
其实 IoU 可以看做是一个惩罚项，当 IoU 阈值很小，且 IoU 很小甚至没有重叠的时候，惩罚项很小。但当 IoU 很大的时候，惩罚项也就会很大。
所以，需要一个可以缓冲的函数，让 M 对其他框的得分的影响是逐步变化的，对 IoU 很小的框影响很小。

所以作者使用高斯的方式来对得分进行修正：

第二种加权方式：高斯加权：

在这里插入图片描述

iou 越大，加权值越小，修正后的得分降低的越多
iou 越小，加权值越大，修正后的得分降低的越少

优势：

相比 NMS，提升了 recall
缓解了重叠目标的漏检情况

不足：

仍然需要手工选取的阈值/高斯方差

3.3 Softer NMS

由于 NMS 的三个问题：

密集场景漏检多
使用分类得分来判定一个框的定位效果，原理上是未对齐的
标注框并非总是准确的

soft NMS 通过降低距离近的框的得分，而非直接剔除该框的方法，缓解了第一个问题，所以 Softer NMS 被提出，以 “标注框并非准确，会有一定不确定性” 为前提，来通过定位的方差投票来进行位置修正。

Softer NMS = soft NMS + variance voting

1、针对边分布不确定性问题：使用高斯分布来表示框的每个边的位置，使用 KL-Loss 来学习位置的分布（这个分布就包括位置可不确定性——即方差）

为了通过位置来估计出位置得分，会预测一个概率分布，而非 bbox 的位置。

预测的概率分布简化为一个高斯分布：

在这里插入图片描述

其中：

$\Theta$ 是可学习的参数
$x_e$ 是估计的 bbox 位置
$\sigma$ 为标准差，也表示了不确定性， $\sigma \to 0$ ，说明网络预测的位置越准确，置信度越高。

真实的位置也可以被建模为一个特殊的高斯分布， $\sigma \to 0$ ，就是 Dirac delta 分布：

在这里插入图片描述

其中：

$x_g$ 是 bbox 的真实位置
Dirac delta 分布：在 0 处无限大，在其他位置为 0，如下图，且 $\int \delta(x)dx=1$

在这里插入图片描述

橘色为真值
灰色预测较准，方差较小，位置距离真值的位置较近
蓝色预测较差，方差较大，位置距离真值的位置较远

KL Loss 如何计算：

上面将预测结果和真实 label 建模后，就可以使用 N 个采样点来估计出参数 $\hat{\Theta}$ ，最小化预测和真实分布的 KL 距离：

在这里插入图片描述

KL 散度是用于框位置的回归的：

在这里插入图片描述

当网络预测一个较大的方差 $\sigma^2$ 时， $L_{reg}$ 会很小，位置 $x_e$ 的估计会更准确。如上图 4 所示。

由于 $L_{reg}$ 不依赖于后两项，则有如下规律：

在这里插入图片描述

当 $\sigma=1$ 时，KL loss 演变成一个规范的 Euclidean loss：

在这里插入图片描述

KL loss 的三个优势：

能够很好的捕捉数据集中的不确定性： bbox 回归器能从不确定的 bbox 中拿到很小的 loss
学习到的方差在后处理中很有用：作者提出了方差投票（variance voting），在 NMS 的时候，使用该预测出来的方差来给其邻域的位置加权，来给候选框投票
学习到的概率分布是可解释的：因为其反应了预测框的不确定程度，对很多下游任务（自动加速、机器人）很有必要

在这里插入图片描述

2、针对分类得分和定位得分使用未对齐的问题：使用方差投票

Var voting：得分修正（soft NMS ）+ 位置修正（给距离候选框近的框分配更高的权重，其不确定性更小）

第一步：首先进行 soft NMS：

Soft NMS：对大于 IoU 阈值的框得分抑制（线性和高斯两种方式，高斯更优），小于 IoU 阈值的框得分不变

soft NMS 认为和候选框距离越近的框，越有可能是”假正”，对应分数的衰减应该更严重，所以对得分进行衰减。

衰减方式 1：使用1-IoU与得分的乘积作为衰减后的值：参数为 $ N_t=0.3$

当相邻检测框与候选框重叠超过阈值 $N_t$ 时，得分线性衰减，但该函数并非线性函数，容易产生突变，所以需要找到一个连续的函数，对没有重叠的框的得分不衰减，对高度重叠的框进行较大的衰减，即高IoU的有高的惩罚，低IoU的有低的惩罚，且是逐渐过渡的，所以就有了第二种。
衰减方式 2：高斯惩罚函数：参数为 $\delta=0.5$

第二步：完成了 soft-NMS 后，对得到的边框 $b_m$ 进行基于网络学习到的方差进行修正。

预测结果为：

$(x_1, y_1, x_2, y_2, s, \sigma_{x_1}, \sigma_{y_1}, \sigma_{x_2}, \sigma_{y_2})$

新的坐标计算如下, $x_i$ 是第 $i$ 个框的坐标（ $\sigma_t$ 是可调节参数）：

在这里插入图片描述

首先，选择出分类得分最大的框 $b$
然后，对所有和 $b$ 存在 IoU 交集的框 ( $IoU(b_i, b)$ >0)，计算权值 $p_i$
- $IoU(b_i, b)$ 越大，则 $p_i$ 越大，即距离越近的两个框产生的 $p_i$ 值越大，权重越大，也就是说距离越近的框，对 $b$ 的最终位置影响更大。
- 方差 $\sigma_{x,i}$ 越大，则权重越小，也就是会对 $b$ 的最终位置影响更小。
最后，根据权值，来更新 $b$ 的坐标（四个坐标分别更新）

作者给距离真值更近但分类得分低的框权重更高。

有两种邻域框会被降权重：

有高方差的框
和候选框的 IoU 更小的框

分类得分不参与投票，因为低分类得分可能有高位置得分。

在这里插入图片描述

3.4 IoU-Net：IoU-Guided NMS

首先，由于一般的 NMS 是用分类分数来主导一个框的去留，想当然的选择得分高的框作为最优的框，忽略了得分高并不一定定位准的现象。

其次，在整个重复去留的过程中，没有一个定位质量的衡量标准，所以最终回归得到的框可解释性较差，如图 1b 所示，可能经过多次迭代反而得到了更不好的框。

基于上述背景，IoU-Net 被提出了，目的是让网络和关系分类得分一样关心定位得分。

IoU-Net 首先通过实验得到了两个结论：

IoU 和 classification confidence 反而没有强关联，和 localization confidence 有强关联：

作者分析了以 IoU 为横轴，分类得分和定位得分（预测的 IoU 作为定位得分）为纵轴的散点图，发现了 IoU 和 localization confidence 有强关联，IoU 和 classification confidence 反而没有强关联
很多 IoU>0.9 的框被 NMS 滤掉了：

作者又分析了在使用 NMS 之前和之后，保留下来的框和 gt 的 IoU 值，这些框是依据 IoU 聚拢的，当多个框对应一个真值框的时候，只将 IoU 最大的那个框认为是 positive 的。有很多 IoU>0.9 的框被 NMS 滤掉了（这些其实是定位优质的框，但却被滤掉了），这会严重损害最终的定位效果。

在这里插入图片描述

IoU-Net 的实现过程：

首先，增加一个额外的输出头（ class-aware IoU head）来预测 IoU，输入为 FPN 特征，输出为对每个框的定位准确性预测（IoU）
接着，在测试的时候使用 IoU-Guided NMS，也就是使用预测得到的 IoU 来对框进行排序，保留预测的 IoU 最大的作为基准框，消除和基准框 IoU 大于阈值的框，当一个框 i 消除了其他框的时候，用 i 框和被消除掉的框的最大分类得分来更新框 i 的分类得分

优势：对分类得分和定位得分解耦，避免了两者不对齐的问题，提升了效果

在这里插入图片描述

3.5 FCOS：Centerness-NMS

FCOS 是单阶段检测器，在只有分类和回归 loss 时，和两阶段检测器效果还有一定的差距，主要原因在于预测产生了很多距离目标中心点很远的低质量 bbox。

所以作者就提出了 centerness 分支，来预测每个预测框和真实框的 centerness 特征，即预测框和真实目标中心点的位置。

centerness 如何在 NMS 中使用：在测试时，和分类得分相乘，然后对框进行排序，距离越远的框得分会被很大程度地抑制下去，可以看做 centerness-NMS。

centerness 真值的计算公式如下：

在这里插入图片描述

为了减缓衰落，使用了根号
centerness 的范围是（0,1），使用二值交叉熵损失来训练（添加到公式 2 的 loss 函数）
在测试时，final score（用于 NMS 框排序）是 centerness × \times× classification score 得到的，所以可以降低远离中心点的位置（即 low-quality 位置）的权重，可以通过 NMS 过滤掉很大一部分 low-quality 位置，提升检测效果。

极端情况下：

如果某一个点在box边界，那么centerness就是0
如果刚好在box中心，这个值就是1。centerness的值在0-1之间
测试的时候，作者将 centerness 乘以类别 score 作为新的 score，这样就降低了远离中心点的 location 的分数，在NMS阶段将会大概率过滤掉它们。

从 anchor-based 检测器的角度来看，anchor-based 方法使用两个 IoU 阈值来将 anchor 分为 negative、ignore、positive，centerness 可以被看做一个 soft threshold。

在这里插入图片描述

使用 centerness 参与 NMS 的效果分析：

使用 centerness 前，有很多 low-quality bbox 的类别得分很高，很难被 NMS 消除
使用 centerness 后，这些点都被推到了左上角，即降低类别得分置信度，更容易被消除

在这里插入图片描述

3.6 GFLV1：Classification-IoU-NMS

单阶段目标检测器是将目标检测建模为了一个密集的分类和定位任务，分类使用 Focal loss，定位可以看做学习 Dirac 分布。

很多单阶段检测器由于没有预设的 anchor，导致定位效果较差，所有很多方法都引入了单独的预测分支来衡量定位的效果，如FCOS 中使用 centerness 来评估定位质量，然后在 NMS 排序时，将 centerness 和分类得分相乘，用于排序。

所以，主流单阶段检测方法有三个基础的元素：

检测框的定位质量（如 IoU-Score 或 centerness score）
分类
定位

General Focal loss 其实是 Focal loss 的广义形式，下面的 QFL 和 DFL 也都是 GFL 的特殊形式：

提出了 QFL (Quality Focal Loss)，用于分类分支的监督：针对训练和测试不一致的问题，GFL 中提出了 QFL 来学习分类得分和位置得分的联合表达，QFL 其实是将 FL 扩展到连续变量的学习问题上，学习的目标是 IoU (0~1 间的值)，而非分类得分（当预测类别是真实类别时，联合表示特征 J=IoU，否则为 0）
提出了 DFL (Distribution Focal Loss)，和 GIoU 等回归 loss 通过加权共同使用：将框的四个边的位置分别建模成一个 general distribution（而非其他方法中的狄拉克分布），让网络快速的聚焦于和目标位置距离近的位置的分布

主流算法问题 1：训练和测试不一致

① 用法不一致：

训练时：分类得分用于训练分类分支，定位得分和centerness得分用于训练回归分支
测试时：分类得分和定位得分相乘，来对框进行排序

② 对象不一致：

Focal loss 能够使得分类分支上，少量正样本和大量负样本一起训练，但框的质量估计是只针对正样本的。而在 NMS 排序的时候，是分类得分和定位得分联合使用的，会导致必然存在一部分分数很低的负样本的定位质量在训练过程中没有监督信号，即大量负样本没有定位质量的度量，这就会导致一个分类得分很低的负样本，由于预测了一个高定位得分，被导致预测为一个正样本。

在这里插入图片描述

问题 1 解决方法：建立一个 classification-IoU joint representation

对于第一个训练和测试不一致的问题，为了保证训练和测试一致，同时还能兼顾分类和框质量预测都能训练到所有的正负样本，GFLv1 提出将框的表达和分类得分结合起来使用。

当预测的类别为 ground-truth 类别的时候，使用位置质量的 score 作为置信度，本文的位置质量得分就是使用 IoU 得分来衡量。

Quality Focal Loss（QFL）：

在这里插入图片描述

主流算法问题 2：对框回归建模不够灵活，一般都使用狄拉克函数来建模，没办法建模复杂场景的不确定性

问题 2 解决方法：直接回归一个任意分布来建模框的表示

虽然人工标注可能会有一些误差，但人工标注边界的分布通常不会距离真正的边界位置太远，所以又在回归 loss（如 IoU、GIoU）的基础上额外增加了一个 DF Loss，一起来监督回归的效果，让网络快速的聚焦于标注位置附近。

在这里插入图片描述

DFL 能够让网络更快地聚焦于目标 $y$ 附近的值，增大它们的概率
含义是以交叉熵的形式去优化与标签y最接近的一左一右两个位置的概率，从而让网络更快的聚焦到目标位置的邻近区域的分布

Generalized Focal Loss 的形式：

QFL：Quality Focal Loss，学习分类得分和位置得分的联合表达，可以用于 NMS 中辅助框排序
DFL：Distribution Focal Loss，将框的位置建模成一个 general distribution，让网络快速的聚焦于和目标位置距离近的位置的分布，和 IoU loss 等回归 loss 配合使用

QFL 和 DFL 可以统一表示为 GFL：

在这里插入图片描述

变量为 $y_l$ 和 $y_r$
预测的上述两个变量的分布分别为： $p_{y_l}$ 和 $p_{y_r}$ ，且 $p_{y_l} + p_{y_r} = 1$
最终的预测为： $\hat{y}=y_lp_{y_l}+y_rp_{y_r}$ ，且 $y_l <= \hat{y} <= y_r$

GFL 在训练的时候如何使用， loss 如下：

在这里插入图片描述

$L_Q$ ：QFL
$L_B$ ：GIoU loss
$L_D$ ：DFL
$\lambda_0 = 2$ ， $labmda_1 = 1/4$

为什么 IoU-branch 比 centerness-branch 效果更好？

IoU 本身就更适合衡量定位效果
Centerness label 过小导致正样本漏检

centerness 是 FCOS 中提出的用于衡量预测框中心点和 gt 框中心点距离的指标，GFLv1 中的预测 IoU 是对预测框定位质量的预测，上面的实验证明了 IoU 效果更好一些，这是为什么呢？

本文作者通过分析后发现，主要原因在于对于极小的物体，centerness 的 label 非常小，难以被优化

为什么 label 小的时候难以被优化，或者说会降低网络的查全率呢，因为如果一些正样本的 centerness label 本来就很小，那么在 NMS 的时候，乘到 classification score 上，会拉低排序的得分，导致这些正样本被排到后面，就会漏检。

3.7 GFLV2：DGQP-NMS

GFLv2 的结构（主要是比 V1 多了 DGQP 来衡量定位质量，V1 中使用的 IoU，其他的训练 loss 都是一样的）：

分类分支：使用 QFL loss 来训练分类分支，学习的目标 $\times C$ ，也就是回归分支的分布经过 DGQP 后的输出 $I$ 和分类分支的分类得分 $C$ 相乘，其中 $I$ 也就是定位质量衡量指标 LQE
回归分支：同时使用 DFL（权重 0.25）和 GIoU loss（权重 2）

GFLV1 中提出的 generalized 分布，用于将位置分布建模为一个更通用的分布，且发现了边界模糊与否和位置分布的关系（越模糊，分布越平缓），但没有好好用这个分布。GFLV2 使用了这个分布的统计信息，来提取位置得分，指导模型训练。

GFLV 1 的 NMS 排序方式：

GFLV1 是使用了 classification-IoU 的联合表达方式，来缓解训练和测试的不一致性，方式如下，当预测类别是真实类别时，联合表示特征 $J = I o U$ ，否则为 0。V1 这种方式虽然进行了联合使用，但还是有局限性的

在这里插入图片描述

GFLV2 在训练中对分类分支的监督和测试中 NMS 排序使用的都是 $J$ ：

V2 同时使用分类得分（C）和由 Distribution-Guided Quality Predictor (DGQP) 得到的位置质量得分（I）作为联合表达，且同时用于训练和测试，不会有不一致性。

$\times I$

$C$ 是分类得分
$I$ 是由 DGQP 得到的定位质量估计，如下图红框里边所示即为 DGQP
在进行 NMS 排序时，同时考虑分类得分和定位质量，分类得分大但定位质量低的框会被拍到后面，分类得分略低但定位质量高的框会被提到前面来，避免了使用分类来判断位置的问题。

DGQP 的原理：

在这里插入图片描述

输入：位置的统计信息（Top-4 的值 + 均值）
输出：定位质量估计 $I$
原理：将输入分布的 Top-k 值和均值 concat 起来，作为分布的特征，然后经过两个全连接层+Relu+Sigmoid，得到输出（Top-k 值和均值能很好的反应分布的形态（如大小缓陡等），且对偏移不敏感，对尺度有更好的鲁棒性）。

在这里插入图片描述

DGQP-NMS 的优势：

相比 V1 来说，能够降低学习难度，加速模型训练
发现了输入和输出之间的强联系，能够很好的使用输入分布，来指导得到定位质量，且定位质量相比使用单一的 IoU 或 centerness 等更可靠

4、数据增强

详细介绍见本文

现有的数据增强的方法一般可以分为如下三个类别，前两类主要是让训练数据更好的适应真实世界的情况，最后一种是人为的丢弃一些特征，目标遮挡、覆盖等难处理的情况：

Spatial transformation：基础的数据增强方法，如 random scale、crop、flip、random rotation 等
Color distortion：亮度、通道、hue 等变换
Information dropping or mix：random erasing、cutout、HaS、cutmix、mixup、copy-paste、grid-mask、fence-mask 等

代码大都可以在这里找到：https://github.com/open-mmlab/mmdetection/blob/master/mmdet/datasets/pipelines/transforms.py

目前几个用的比较多的方法：

Cutout：随机丢弃图中的一个固定大小的正方形区域，并赋予 0
Random erasing：随机擦除一个不固定大小和纵横比的矩形区域，并赋予 [0,255] 中的随机值
Mixup：对两幅图像进行加权求和
Cut-Mix：将图像 A 的某个小块粘贴到图像 B 的某个位置上去
Mosaic：将 4 个图像进行翻转、缩放、色彩变换，然后拼接成一个图形，丰富图像的上下文信息，降低对 batch 大小的需求
Copy-paste：将图像上的实例抠图下来，经过缩放、旋转等操作后粘贴到其他经过缩放、旋转的图像上去
Grid-mask：对图像上进行有规律的多个正方形区域抠除，等间距、等大小的正方形框抠除
Fence-mask：在图像上有规律的布上多个平行的横条和纵条，类似于网格的形状抠除

4.1 Cutout

动机：

主要是为了对抗目标检测中的目标遮挡问题
使用随机丢弃某些图像块的方法，来模拟物体被遮挡的情况

Cutout 具体做法：

在输入图像中随机选择一个像素位置，作为中心点，然后放置一个 fixed-size 一个小正方形，在这个区域内设置像素都为 0（为什么固定大小，因为作者发现固定大小的方法效果也能达到很好）
每个图像有 50% 的概率被使用 cutout

Cutout 的优点：

能够让网络更关注图像的全局信息，不过分关注某些位置
可以在 CPU 上进行，可以和其他数据增加方法配合使用

4.2 Random Erasing

该方法通过随机选择一个随机大小的矩形区域，并给该区域赋予随机数值来实现。以此来模拟目标被遮挡的场景，比 cutout 的相同大小的抠图更灵活多变，且模拟引入了噪声。

方法

首先设定图像被随机擦除的概率 $p$
在整幅图像中随机选择一个点 $P$ ，随机设置随机擦除的面积大小 $S_e$ 和擦除位置的纵横比 $r_e$
在随机擦除的位置，给每个像素随机赋 [0,255] 之间的值

在这里插入图片描述

4.3 Mixup

动机：现有的数据增强方法，大都是在单个图像内部进行丢弃，没有多个图像之间的融合。

方法：对 batch 中的所有图像，两两进行加权加和，进行类间-类内的图像混合，为网络引入了更多不确定因素

在 mini-batch 内部：

对输入图像进行加权线性加和，作为输入图像
对真是 label 进行加权线性加和，作为预测目标

在这里插入图片描述

4.4 CutMix

动机：虽然 CNN 会过拟合，但总的来说还是 data-angry 的，也就行需要更丰富的数据，别的方法擦除某些区域但也让网络接收的信息更少了，所以能不能在擦除的同时，用别的特征补上去呢？

方法：CutMix 可以看做 cutout 的优化，也就是擦除图像中的某个随机区域，然后使用同 batch 中的其他图像的区域来填补上去，真值 label 也同样被 mixed。

CutMix 的过程如下面公式所示：

在这里插入图片描述

$KaTeX parse error: Undefined control sequence: \timesH at position 15: M\in {0, 1}^{W\̲t̲i̲m̲e̲s̲H̲}$ ，也就是非 A 即 B 的过程
$\lambda$ 是结合比率，从 $\text{Beta}(\alpha, \alpha)$ 得到，且 $\alpha=1$ ，也就服从标准 (0, 1) 分布

在这里插入图片描述

4.5 Mosaic

Mosaic 数据增强是在 YOLOv4 中提出来的，其实也是基于 Cutmix 的一个改进版本，能同时引入 4 个图像的信息。将 4 个训练图像进行混合，引入 4 种不同的上下文信息（CutMix 是混合 2 个图像），让网络能得到更多额外的上下文信息，而且，BN 也在每层接受了来自 4 个图像的信息，能够降低 “大 batch size” 的需求。

操作：

选择 4 个图像，随机缩放、翻转、色域变化
将随机缩放后的图像进行随机顺序拼接，对过小的进行丢弃

优势：

大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好

在这里插入图片描述

4.6 Copy-paste

论文：Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation

出处：CVPR20221(Oral)

1、动机

如前所述，神经网络是 data-hungry 的，但人工标注费时费力，且之前的 cutmix、mosaic 等方法，难以适用于实例分割，Copy-paste 能够使用简单的方法，将实例扣下来并粘贴到别的图像上，很方便的解决了实例分割（也可用于有实力分割标签的目标检测）的数据增强问题。

2、方法

对所有的图像使用随机尺度抖动好随机水平翻转
随机在一些图像上选择一些实例，然后粘贴到其他图像上去，混合的时候会使用高斯滤波将边缘平滑
移除完全被遮挡的目标的真实，给那些部分遮挡的目标更新 mask 和 bbox

处理后的图像是什么样子的？说实话和真实场景的图像也很不一样，如图 2 所示，长颈鹿和人出现在一张图里了，而且尺度和平常的有很大不同。

在这里插入图片描述

4.7 Grid-Mask

论文：GridMask Data Augmentation

1、动机

Grid-mask 方法和 cutout、HaS 等方法类似，都是通过丢弃一部分图像信息来让网络更加鲁棒。但是作者认为移除的图像大小难以把控，移除过多会导致信息丢弃过多，保存的部分可能不足以支撑后续任务，移除过少会使得网络不够鲁棒，所以移除信息的多少难以把控。

Cutout 和 random erasing 方法，都是随机移除图中的某一个小块，有很大的随机性，如果移除的好则效果好，如果移除的效果不好，则会影响模型效果。

HaS 将图像切分为几个小块，然后随机移除其中的多个小块，但仍可能出现某些地方移除过多，有些地方移除过少的情况。

所以作者提出了均匀移除图像块的方法：Grid-mask

在这里插入图片描述

2、方法

设定每个图像被进行 grid-mask 的概率 $p$ ，随着训练的进行概率会增加到最大值 $P$ ，这样比整个训练过程都使用相同的 $p$ 效果好一些
假设输入图像为 $x$
Binary mask 为 $\in \{0,1\}^{H \times W}$ ，如果为 1，则保留该位置的图像像素，否则移除。 $M$ 的形状如图 3 所示，是一个网格状的，使用 4 个参数来表示： $\delta_x, \delta_y)$ ，每个 mask 就像图 4 中的一个小块，这四个参数都是随机的，对不同的任务需要实验来确定如何选定
经过 grid-mask 后为 $x=x\times M$

在这里插入图片描述

4.8 Fence-Mask

1、动机

Information drop 方法中，如何平衡丢弃部分和保留部分是很重要的，尤其是在复杂的真实场景，目标的大小是不确定的，随机的生成丢弃区域可能会导致重要信息丢失，误导模型。

所以作者提出了一个有规律且稀疏的数据增强方法——fence-mask，虽然打破了图像中像素的连续性，但是可以接受的。

图 2 展示了细粒度的图像分类中，不同目标的差别很小，如果把这些主要差别丢失了，则会严重影响结果。

在这里插入图片描述

5、Neck

Neck是目标检测框架中承上启下的关键环节。它对Backbone提取到的重要特征，进行再加工及合理利用，有利于下一步head的具体任务学习，如分类、回归、keypoint、instance mask等常见的任务。

大体上分为六种，这些方法当然可以同时属于多个类别。

上下采样：SSD (ECCV 2016)，STDN (CVPR 2018)
路径聚合：DSSD (Arxiv 2017)，FPN (CVPR 2017)，PANet (CVPR 2018)，Bi-FPN (CVPR 2020)，NETNet (CVPR 2020)
NAS搜索：NAS-FPN (CVPR 2019)
加权聚合：ASFF (Arxiv 2019), Bi-FPN
非线性聚合：Feature Reconfiguration (ECCV2018, TIP 2019)
无限堆叠：i-FPN (Arxiv 2020)

5.1 FPN

在这里插入图片描述

卷积网络中，深层特征包含更多的语义信息，浅层特征包含更多的细节信息。所以为了实现更好的信息融合，就有了 Feature Pyramid Network。backbone 是自底向上的特征抽取，FPN 特征融合是自顶向下的特征融合，将高层的语义特征传递给低层的细节特征，

高层网络虽然能响应语义特征，但是由于Feature Map的尺寸太小，拥有的几何信息并不多，不利于目标的检测；浅层网络虽然包含比较多的几何信息，但是图像的语义特征并不多，不利于图像的分类。这个问题在小目标检测中更为突出。

FPN 自顶向下的融合方式如下图：

低分辨率的特征会经过 2x 双线性插值上采样到原图的 2 倍，然后和平行传递过来的特征图相加，进行融合
在目标检测过程中，一般会在 FPN 的每层特征图上都布 anchor，每层特征图都会负责不同尺度的目标的预测，也就是图中每层特征图都会有 predict 的箭头出来。
一般使用的最终特征图分辨率为 {8, 16, 32, 64, 128}

在这里插入图片描述

5.2 PAN

高层的特征包含全局特征，低层的特征包含细节定位特征，所以 FPN 中的自顶向下的信息传输方式能够给低层特征引入全局信息，利于分类能力的提升。

PANet 认为如果使用从下到上的传输路径，则能够将底层的细节定位纹理信息传递到高层，所以，其建立了两个个非常“干净”的旁侧路径：

图 1 所示绿色线，其包含的层数 < 10，将底层特征
图 1 所示红色线，认为 FPN 传输的路径过长，100+ 层

PANet 具体是怎么强化自己的特征传输的？

以使用 ResNet 为例，并且使用 FPN 输出的 $P_2$ 到 $P_5$ 层特征，PANet 在 FPN 的后面（图 1 中展示为右侧）增加了一个特征路径：

输入为 FPN 的 $P_2$
然后逐步上采样（自底向上），并和 FPN 对应层的特征融合，每次上采样 2 倍，得到的特征表示为 $N_2$ 到 $N_5$ （ $P_2$ 和 $N_2$ 其实是相同的特征）
$N_i$ 会和 coarse 的 $P_{i+1}$ 融合，然后生成新的 $N_{i+1}$
每个 $N_i$ 先经过 stride=2 的 3x3 卷积，然后和经过下采样的 $P_{i+1}$ 相加，相加后再经过 3x3 卷积，得到 $N_{i+1}$

在这里插入图片描述

PANet 做了什么（前两点也适用于目标检测）：

为了缩短信息传输路径，并强化低层特征的准确定位信息的作用，建立了一个自底向上的信息传输路径
为了恢复被打破的 proposal 和 all feature 之间的信息，使用了 adaptive pooling，为每个 proposal 都引入整张图的全局特征
为了从多方面捕捉 proposal 的特征，作者使用 tiny fully-commected layer 来强化 mask 的预测，和 Mask-RCNN 中的 FCN 互补

5.3 NAS-FPN

NAS-FPN 是搜索出最适合的 FPN 结构，如下图就是为 RetinaNet 搜索出一个合适的结构：

在这里插入图片描述

5.4 BiFPN

FPN、PANet、NAS-FPN 的跨尺度特征融合，都使用的相加，BiFPN 认为这些特征是来自不同分辨率的，对输出的贡献应该是不同的。所以 BiFPN 使用可学习的权重来学习不同特征图的重要程度，来进行加权。此外，不仅仅 backbone 对模型的缩放重要，预测网络头也同样重要。

在这里插入图片描述
图 2d 展示了 BiFPN：

增加了每个 node 的输入：因为作者认为如果一个 node 只有一个输入，则没有特征和它融合，就丧失了融合的能力
给每个 node 增加了原始特征作为输入：为了在不增加额外计算的情况下尽可能的多增加特征的融合
每次特征融合的时候，都会给输入特征学习一个加权值，让网络自己学习该特征的重要程度，可以使用无限制的权重，也可以使用 softmax 归一化、快速归一化等等（最终使用的快速归一化）

在这里插入图片描述

EfficientDet 的最终结构如下：

在这里插入图片描述

6、Backbone

6.1 GoogLeNet

论文：Going deeper with convolutions

出处：ILSVRC14 比赛的检测和分类任务的 SOTA 方法

Inception 的初始结构如下：

在这里插入图片描述

采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合
之所以卷积核采用1x1，3x3 和 5x5，主要是为了方便对齐，设定卷积步长 stride=1，只要分别设定 padding=0，1，2，那么卷积之后便可以得到相同维度的特征，然后将这些特征就可以直接拼接在一起了。
文章中说 pooling 被证明很有效，所以网络结构中也加入了
网络越到后面，特征越抽象，而且每个特征所涉及的感受野也变大了，因此随着层数的增加，3x3和5x5的比例也要增加。

由于 3x3 或 5x5 卷积核非常耗费计算资源，所以经过通道降维的改进后的 Inception 模型如下：

在这里插入图片描述

其中有4个分支：

第一个分支对输入进行1x1的卷积，这其实也是 NIN 中提出的一个重要结构。1x1 的卷积是一个非常优秀的结构，它可以跨通道组织信息，提高网络的表达能力，同时可以对输出通道升维和降维。Inception Module的4个分支都用到了1x1的卷积，来进行低成本（计算量比3x3小很多）的跨通道的特征变换
第二个分支，先使用了 1x1 卷积，然后连接 3x3 卷积，相当于进行了两次特征变换
第三个分支，先使用 1x1 卷积，然后连接 5x5 卷积
第四个分支，3x3 最大池化后直接使用 1x1 卷积

在后续的优化中，逐步使用了 BN ，或者把 nxn 卷积核改成 1xn 和 nx1 的叠加，来降低计算量

6.2 ResNet

论文： Deep residual learning for image recognition

出处：CVPR 2016

ResNet 在 2015 年被提出，在 ImageNet 比赛 classification 任务上获得第一名，因为它 “简单与实用” 并存，之后很多方法都建立在 ResNet50 或者 ResNet101 的基础上完成的，检测，分割，识别等领域都纷纷使用 ResNet，所以可见ResNet确实很好用。

在这里插入图片描述

ResNet 的结构设计：

在这里插入图片描述

这两种结构分别针对 ResNet34（左）和ResNet50/101/152（右），一般称整个结构为一个 “building block”，其中右图为“bottleneck design”，目的就是为了降低参数数目，第一个 1x1 的卷积把 256 维的 channel 降到 64 维，然后在最后通过 1x1 卷积恢复，整体上用到参数数目 69632，而不使用 bottleneck 的话就是两个 3x3x256 的卷积，参数数目: 3x3x256x256x2 = 1179648，差了16.94倍。
对于常规ResNet，可以用于34层或者更少的网络中，对于 Bottleneck Design 的 ResNet 通常用于更深的如 101 这样的网络中，目的是减少计算和参数量。

在这里插入图片描述

6.3 ResNeXt

详细介绍见本文

论文：Aggregated Residual Transformations for Deep Neural Networks

代码：https://github.com/miraclewkf/ResNeXt-PyTorch

出处：CVPR 2017

贡献：

提出了 cardinality 的概念，即一个 block 中的基的数量，或者分组的数量
实验证明提高模型 cardinality 比提高宽度或深度更能带来效果的提升，且不会增加额外的计算量
可以看做将 ResNet 中每个 block 的卷积替换成了分组卷积，并且带来了效果的提升

ResNeXt 是怎么做的：

套用 ResNet 的重复堆叠结构
引入 Inception 的 split-tranform-merge 策略，但并行拆开的分支卷积核大小是相同的，然后相加（如图 1 右边）。此外，这种结构和图 3 的其他两种结构是等价的。可以看做将 ResNet 中每个 block 的卷积替换成了分组卷积。

在这里插入图片描述

ResNeXt 提出了一个新的概念——cardinality，the size of the set of transformations，和网络深度以及宽度一起作为网络的设计量。

cardinality 也可以翻译为“基”或者“势”，表示一个 block 中，可以理解为特征被分为了几个基本单元，或者几组，如果被分为 32 组，则cardinality = 32。

ResNeXt 的设计也是重复的堆叠，且设计遵循两个规则，设计的结构如表 1 所示：

如果使用相同大小的卷积核来处理特征图，则 blocks 之间共享参数
如果特征图下采样 2 倍，则 channels 宽度扩展 2 倍

在这里插入图片描述

ResNeXt 的结构和下面两个结构是很类似的：

① Inception-ResNet

如图 1 右侧所示的结构（也就是下图 3a），其实和图 3b 的结构是等价的，只是和 Inception-ResNet 不同的是，ResNeXt 的并行通道的卷积核大小是相同的，在设计上更简单通用。

② Grouped Convolutions

如图 3c 所示，如果将图 3b 的第一层多个 1x1 卷积聚合起来，输出 128-d 特征向量，然后使用分组卷积（32组）来进行后续的特征提取，其实和图 3b 的并行分支是等价的，最后将分组卷积的每组卷积的输出 concat，就得到最后的输出。

在这里插入图片描述

6.4 DenseNet

详细介绍见本文

论文：Densely Connected Convolutional Networks

代码：https://github.com/liuzhuang13/DenseNet

出处：CVPR2017 | 康奈尔大学清华大学 Facebook

越来越深的神经网络会带来梯度消失问题，ResNet 和 Highway Network 使用了恒等映射的方式，让网络都超过了 100 层且效果良好，也就是给梯度增加了一条高速路，可以顺畅的在浅层和深层之间传输。

但这些传输只能在前后两层之间传递，没有最大化信息传输，所以作者提出了 DenseNet。

DenseNet 挣脱了加深和加宽模型的思路，而是通过最大限度的特征重用和旁路的思想来提升网络效果。

DenseNet 的动机：让信息在网络中的所有层中传递最大化

DenseNet 的做法：在一个 block 内部（即特征图大小都相同），将所有的层都进行连接，即第一层的特征会直接传输给后面的所有层，后面的层会接受前面所有层的输出特征。如图 1 所示。

DenseNet 的特征是如何结合的：不像 ResNet 那样相加起来，而是 concat，所以越往后通道越多

DenseNet 的参数少的原因：DenseNet 的通道很少（如每层 12 个通道），且层浅

下图展示了一个 Dense block 内部的结构，一个 block 内部会有多个卷积层，每个卷积层的输入来自前面所有层的输出，前面所有层的特征输出会 concat 然后送入当前层。

Dense 连接只会在每个 Dense block 内部进行，不会进行跨 block 的 Dense 连接

在这里插入图片描述

首先看一下 ResNet 的网络结构：每层接收上一层的特征输出和上一层的原始输出

在这里插入图片描述

然后再来看 DenseNet 的网络结构：每层接收前面所有层的特征输出，然后进行对应层的特征提取

在这里插入图片描述

DenseNet 的优点：

网络更窄，参数更少
旁路密集连接增加了特征的重用
信息流通最大化，训练简单
缓解了梯度消失的问题

6.5 CSPNet

详细介绍见本文

论文：CSPNet: A new backbone that can enhance learning capability of CNN

代码：https://github.com/open-mmlab/mmdetection/blob/master/mmdet/models/backbones/csp_darknet.py

出处：CVPR2019

CSPNet 的提出解决了什么问题：

强化 CNN 的学习能力：现有 CNN 网络一般在轻量化以后就会降低效果，CSPNet 希望能够在轻量化的同时保持良好的效果。CSPNet 在嵌入分类任务的 ResNet、ResNeXt、DenseNet 等网络后，可以在保持原有效果的同时，降低计算量 10%~20%
移除计算瓶颈：过高的计算瓶颈会导致推理时间更长，在其计算的过程中其他很多单元空闲，所以作者期望所有的计算单元的效率差不太多，从而提升每个单元的利用率，减少不必要的损耗。
减少内存占用：CSPNet 使用 cross-channel pooling 的方法来压缩特征图

Cross Stage Partial Network (CSPNet) 的主要设计思想：让网络中的梯度进行丰富的结合，降低冗余，减少计算量

在这里插入图片描述

在介绍 CSPNet 之前，先看看 DenseNet 的结构

图 2a 展示了 DenseNet 的一个 stage 结构：每一层的输入来自于前面所有层输出的 concat 结果

每个 stage 都包括一个 dense block + transition layer
每个 dense block 由 k 个 dense layer 组成
每个 dense layer 的输出会作为下一个 dense layer 的输入
Transition layer 也就是过渡层，是连接 block 的层，一般包含瓶颈层（1x1）和池化层，用于降维和降分辨率

DenseNet 的过程可以用如下方式表示，其中 * 表示卷积， $x_i$ 表示第 $i$ 个 dense layer 的输出。

在这里插入图片描述

反向传播过程表示如下， $g_i$ 表示传递给第 i 个 dense layer的梯度。可以看出，大量的梯度信息是被不同 dense layer 重复使用的：

在这里插入图片描述

图 2b 展示了 CSPDenseNet 的一个 stage，CSPDenseNet 的组成：

Partial dense block：
每个 stage 的特征图都根据 channel 被分为两个部分 $x_0 = [x_0', x_0'']$
- $x_0'$ ：会经过 dense block， $x_0''$ ：会直接送入 stage 的最后一层，不经过任何特征提取
- 每个 stage 的输出可以表示为： $x_0'', x_1, ..., x_k]$ ，然后输入 transition layer
Partial transition layer
- 上面的 transition layer 的输出为 $x_T$ ，然后会和 $x_0''$ 进行 concat ，最后输入后面的 transition layer，得到输出 $x_U$ ，如图 3 所示

由于这里 transition layer 使用的是 concat 方法，而 concat 方法的梯度传播会分开进行，就是还是会传递到对应的来源处去，所以经过密集 block 和未经过密集 block 的特征是分别优化的，梯度单独更新。

CSPDenseNet 保留了 DenseNet 特性重用特性的优点，但同时通过截断梯度流防止了过多的重复梯度信息。该思想通过设计一种分层的特征融合策略来实现，并应用于局部过渡层。

下图 3 也展示了不同时间进行特征融合的方式：

使用 Fusion First 中梯度会被大量重复利用，没有明显的计算量下降， top-1 acc 下降了 1.5%
使用 Fusion Last 先使用 transition 降低了 dense block 的维度，极大降低了计算量，top-1 acc 仅仅下降了0.1个百分点
同时使用 Fusion First 和 Fusion Last 相结合的 CSP 所采用的融合方式可以在降低计算代价的同时，提升准确率（图 3b）

在这里插入图片描述

将 CSPNet 和其他结构结合，如图 5 所示，CSPNet 可以和 ResNet、ResNeXt 进行结合，由于每个 Res block 只有一半的 channel 会经过，所以不需要引入 bottleneck。

在这里插入图片描述

6.6 RepVGG

详细介绍见本文

论文：RepVGG: Making VGG-style ConvNets Great Again

代码：https://github.com/megvii-model/RepVGG

出处：CVPR2021 | 清华大学旷世

RepVGG 的贡献：

使用结构重参数化的方法将训练和推理结构进行解耦，训练使用多分支结构，推理使用单分支结构，实现了一个 speed-accuracy trade-off 的简单网络结构
在分类和分割上展示了良好的效果，且易于部署

随着 Inception、ResNet、DenseNet 等方法的提出，卷积神经网络越来越复杂，还有一些基于自动或手动框架选择，虽然这些复杂的网络能够带来好的效果，但仍然会有很多问题：

复杂的多分支网络让模型更复杂，执行或定制起来更难，降低推理效率
很多组件（如 depthwise、Xception、MobileNet等）会提高显存，在一些设备上难以支持，虽然这些方法都验证了自己的 FLOPs，但该指标并不能准确的反应其真实的速度，有些在指标上快于 VGG 和 ResNet，但实际跑起来也不一定快。

所以本文提出了 RepVGG，是一个 VGG-style 的结构，有如下优势：

RepVGG 和 VGG 结构类似，没有旁路分支
只使用了 3x3 conv 和 ReLU
整个具体的结构没有使用自动查找、微调等，也没有复杂的设计

RepVGG 面临的问题：

只用单路的结构很难打得过 resnet 那种多路的结构，resnet 的多路结构能保证其梯度传递

RepVGG 如何解决上述问题：结构重参数化（训练和推理使用不同的结构）

既然多路结构有利于训练，那么就使用多路结构来训练，如图 2B 所示，使用 1x1 conv 和恒等映射作为旁路
但多路结构不利于推理，那么就使用单路结构来推理，如图 2C 所示，只有 3x3 conv + ReLU

在这里插入图片描述

RepVGG 的设计过程：

1、使用简单结构的卷积神经网络，更加灵活（ResNet 使用残差就限制了必须等大，且多分支结构难以通道剪枝）

2、在训练的时候使用多分支结构（ResNet 证明了多分支结构的效果）：虽然多分支的结构在推理的时候效率严重不足，但其胜在训练的效果，所以 RepVGG 在训练的时候选择了多分支结构，而且选择的是 3 分支结构（1 个主分支，1 个 1x1 分支，1 个恒等映射分支， $y = x + g (x) + f (x)$ ），当有 n 个 blocks 时，相当于有 $3^n$ 个模型

3、在推理阶段进行重参数化：卷积有可加性，将每个 BN 和其前面的 conv 可以转换成一个【conv with bias vector】，然后将得到的 3 组卷积相加

将 3 分支网络等价转换，简化成单分支网络
具体实现方法是依据卷积核的可加性，先对卷积 “吸BN”（即将 conv+bn 转换成一个带 bias 的 conv），恒等映射分支可以看做 1x1 卷积，吸 BN 后得到 2 个 1x1 卷积，1 个 3x3 卷积，然后将三个卷积以中心点为基准相加，将 3 个卷积合并为 1 个

在这里插入图片描述

RepVGG 结构：

表 2 展示了 RepVGG 的设计细节，包括宽度和深度，其中主要使用了 3x3 conv，没有使用 max pooling。

深度：

有 5 个 stages，每个 stage 的第一层的 3x3 conv 会下采样 2 倍
RepVGG-A：每个 stage 分别有 1,2,4,14,11 层（对比 ResNet-18/34/50）
RepVGG-B：每个 stage 分别有 1,4,6,16,11 层（对比更大的模型）
第一个和最后一个 block 没有增加层数的原因在于，第一层图分辨率很大，容易带来耗时，最后一层通道很多，也同样带来耗时

宽度：

每个 stage 的基础通道数设置为 [64, 128, 256, 512]
使用 $a$ 作为前 4 层的缩放比， $b$ 作为最后一层的缩放比，且一般 $b > a$
为了进一步降低参数和耗时，使用了分组卷积，给 RepVGG-A 的 3/5/7…/21 层设置了分组数 $g$ ，给 RepVGG-B 的 23/25/27 层也设置了分组数 $g$

在这里插入图片描述

6.7 MobileNet 系列

详细介绍见本文

6.7.1 MobileNetV1

论文：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

出处：CVPR 2017 | 谷歌

贡献：

提出了深度可分离卷积，将标准卷积用逐通道卷积+逐点卷积来代替
能够在边端设备使用，在保证效果的通道提升速度

更强的卷积神经网络一般情况下意味着更深和更宽的网络结构，但这样就会导致速度和效率的缺失，所以，MobileNet 的作者提出了一个搞笑的网络结构，致力于建立一个适用于移动端和嵌入式设备的网络结构。MobileNetV1 可以理解为把 VGG 中的标准卷积层换成深度可分离卷积

深度可分离卷积是 MobileNet 的一个非常重要的核心点，由两部分构成：

depthwise convolution：每个卷积核负责一个输入通道的卷积，图 2b
pointwise convolution：1x1xC 的形式，对 depthwise 得到的卷积特征进行点对点的特征聚合，图 2c

普通卷积是计算量：

假设输入特征图 $F$ 为 $D_F \times D_F \times M$ ，输出特征图 $G$ 为 $D_G \times D_G \times N$
普通卷积核 $K$ 的参数量为 $D_K \times D_K \times \times M \times N$
普通卷积核的计算量为 $D_K \cdot D_K \cdot M \cdot N \cdot D_F \cdot D_F$

深度可分离卷积的计算量：

输入特征图 $F$ 为 $D_F \times D_F \times M$ ，输出特征图 $G$ 为 $D_G \times D_G \times N$
首先对每个通道分别使用一个卷积核进行特征提取，计算量为 $D_K \cdot D_K \cdot M \cdot D_F \cdot D_F$
然后对得到的特征图使用 1x1 的卷积核进行特征融合，计算量为 $\cdot N \cdot D_F \cdot D_F$
总的计算量为： $D_K \cdot D_K \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F$

故使用深度可分离卷积的计算量和普通卷积的计算量之比如下：

$\frac{D_K \cdot D_K \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F}{D_K \cdot D_K \cdot M \cdot N \cdot D_F \cdot D_F} = \frac{1}{N} + \frac{1}{D_K^2}$

MobileNetV1 网络结构：

在这里插入图片描述

6.7.2 MobileNetV2

论文：MobileNetV2: Inverted Residuals and Linear Bottlenecks

出处：CVPR 2018 | 谷歌

贡献：

提出了倒残差结构：先 1x1 升维，使用 3x3 提取特征，最后再 1x1 降维，和残差结构的先降维后升维的结构是反的
提出了线性瓶颈
MobileNetV2 是在 V1 基础上的提升，在移动设备上不增加额外参数的情况下，效果带来了提升

深度可分离卷积：

V2 依然使用的深度可分离卷积，深度可分离卷积相比普通卷积大约能够降低 $k^2$ 的计算量，V2 的卷积核为 3x3，所以大约比普通卷积计算量少 8~9 倍，准确率仅仅跌了很少。

在这里插入图片描述

线性瓶颈：

线性瓶颈结构，就是末层卷积使用线性激活的瓶颈结构（将 ReLU 函数替换为线性函数），因为 ReLU 激活函数对低维信息会造成很大损失

在这里插入图片描述

模型框架：

在这里插入图片描述

6.7.3 MobileNetV3

论文：Searching for MobileNetV3

出处：ICCV 2019 | 谷歌

贡献：

使用 NAS 的方法搜寻更适合移动 CPU 的结构
提出了 MobileNetV3-Large 和 MobileNetV3-Small，并引入了 h-swish 和 SE 等模块进行效果优化

MobileNetV3 提出的目标就是为了实现移动设备上的模型的准确率和耗时的平衡。

MobileNetV1 引入了深度可分离卷积，来代替传统卷积
MobileNetV2 引入了线性瓶颈和反残差结构，来提升速度
MobileNetV3 为了 NAS 来搜寻更合适的网络，并且引入了 Swish 非线性方法的优化版本 h-swish 和 SE 模块，建立更高效的网络

在这里插入图片描述

NAS：这里使用 NAS 的目的是搜寻到更适合移动设备平台的 block 结构

网络优化：

1、重新设计计算复杂的层

NAS 得到搜寻的结构后发现，前面几层和后面几层计算复杂度很高，做了一些修整：

精简 last stage：V2 的倒残差网络，在最后一层使用的 1x1 卷积来升维，会造成很大的延时，为了降低延时和保留高维特征，移除掉了一些层，不需要使用瓶颈层来降低计算量了，如图 5 所示，降低了 7ms 延时，约占 11% 的允许时间，几乎没有精度的损失
降低卷积核数量并且使用不同的激活方式来降低冗余：还有一个很大的耗时点在于初始卷积，初始的图很大，使用卷积核数量是 32 个，所以减少了第一个卷积层的卷积核个数（32—>16），并且在该层使用 hard swish 非线性激活，能在减少卷积核的个数的同时保持准确率（和使用 32 个卷积核并在该层使用 ReLU 是的效果比），计算量反而会降低，检测速度更快

在这里插入图片描述

2、非线性激活的改进

swish 的形式如下：

在这里插入图片描述

使用 swish 的有个问题，sigmoid 函数计算量很大，所以 V3 从以下两个方面解决：

使用 piece-wise linear hard analog （ $\frac{ReLU6(x+3)}{6}$ ）来代替 sigmoid，故 hard-swish 形式如下，对比效果如图 6：

在这里插入图片描述

3、引入 SE 模块

在 V3 中使用 SE 模块，因为SE结构会消耗一定的时间，所以作者在含有 SE 的结构中，将 expansion layer 的 channel 变为原来的 1/4，这样作者发现，即提高了精度，同时还没有增加时间消耗。并且SE结构放在了depthwise 之后。实质为引入了一个 channel 级别的注意力机制。

4、不同大小的模型设计

V3 设计了两种体量的模型，Large 和 Small，都是经过 NAS 和优化后的。

在这里插入图片描述

6.8 ShuffleNet 系列

详细介绍见本文

6.8.1 ShuffleNetV1

论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

出处：CVPR 2018 | 旷世

现有的表现良好的网络结构动辄上百层，上千个通道，FLOPs（浮点计算次数）大概在十亿次，ShuffleNet 的提出是为了适应于算力较弱的移动端，以实现大概几十到几百的 MFLOPs 为目标。

现有网络的问题：

现有的高效结构如 Xception 和 ResNeXt，其实在极小的网络上的计算效率依然不太高，主要在于很耗费计算量的 1x1 卷积。

ShuffleNet 如何解决：使用 point-wise 分组卷积和 channel shuffle 两个操作，很好的降低计算量并保持准确率。这种结构能够允许网络使用更多的通道，帮助 encode 阶段提取更多的信息，这点对极小的网络非常关键。

使用 point-wise 卷积来降低 1x1 卷积的计算量
使用 channel shuffle 能够让不同通道的信息进行交互

这里再介绍几个基本概念：

分组卷积：AlexNet 中提出的概念，在 ResNeXt 中有使用，也就是将特征图分为 N 个组，每组分别进行卷积，然后将卷积结果 concat 起来
深度可分离卷积：和 MobileNet 中都有使用，也就是每个特征图使用一个卷积核来提取特征，之后使用 1x1 的卷积进行通道间的特征融合
channel shuffle：shuffle 可以翻译为重新洗牌，也就是把不同组的 channel 再细分一下，打乱重新分组
模型加速：加速推理时候的速度，如剪枝、量化

ShuffleNetV1 是怎么做的：

在这里插入图片描述

1、Channel shuffle for group convolutions

Xception 使用了深度可分离卷积， ResNeXt 使用了分组卷积，但都没有考虑 1x1 的瓶颈层，该瓶颈层也会带来很大的计算量。

ResNeXt 中在分组卷积中使用的卷积大小为 3x3，对每个残差单元，逐点的卷积占了 93.4%。在极小的网络中，这样大的占比就难以降低网络计算量的同时来提升效果了。

为了解决上面 1x1 瓶颈层的问题，要怎么做呢：

一般会考虑使用更稀疏的通道，如在 1x1 内部也使用分组卷积。但是这样也会有问题，因为 1x1 是瓶颈层，所以该层的输出是下一层 block 的输入，如果在 1x1 卷积中使用分组策略，则 1x1 瓶颈层的输出特征的每个通道并没有接收其他前面的所有输入，只接收了一小部分输入的特征（如图 1a）。
所以，如何解决图 1a 的问题呢，可以使用图 1b 的方法，将每个 group 里边再细分，细分后放入不同的组内，这个过程可以叫做 channel shuffle，打乱后如图 1c 所示。

2、ShuffleNet unit

作者又针对小网络提出了 ShuffleNet unit：

从如图 2a 的 bottleneck 单元开始，在 bottleneck 特征图上，使用 3x3 深度卷积，然后使用 point-wise group convolution + channel shuffle，来构成 ShuffleNet unit，如图 2b 所示

在这里插入图片描述

3、网络结构

ShuffleNet 结构如图 1 所示，是一个由 ShuffleNet units grouped 堆叠起来的 3 stage 网络，在每个 stage 的开头，stride = 2。

每个 stage 的超参数都是相同的
下一个 stage 的的输出是上一个 stage 通道数的 2 倍
bottleneck channels 的个数是 ShuffleNet unit 的输出通道数的 1/4
在 ShuffleNet unit 内，group number 数 $g$ 控制着 point-wise convolution 的稀疏程度，表 1 做了实验，验证了在胸膛计算量情况下，不同的 $g$ 的效果。大的 $g$ 的输出通道更多，能够帮助 encode 更多的信息，但也可能由于输入特征有限，导致单个卷积滤波器的退化
为了针对不同的需求设计不同大小的网络，作者还对通道数设计了缩放因子 $s$ ，表 1 中的结构为 ShuffleNet 1x，ShuffleNet $s$ x 则表示将滤波器个数扩充 $s$ 倍，同时计算量会是 ShuffleNet 1x 的 $s^2$ 倍。

在这里插入图片描述

6.8.2 ShuffleNetV2

论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design

出处：ECCV 2018 | 旷世清华

贡献：

提出了更应该使用直接的效率度量方法（如速度、耗时等）
在 V1 的 channel shuffle 的基础上，又提出了 channel split，增强特征的重用性的同时也减少了计算量
提出了 4 条设计高效网络的方法：使用输入输出通道相同的卷积、了解使用分组卷积的代价（分组越多，MAC 越大）、合理的设定分组格式、降低网络并行的分支（并行越多 MAC 越大）、减少逐点运算

基础概念：

FLOPS：每秒浮点计算数量
FLOPs：浮点计算数量
MAC：Memory Access Cost，内存访问成本，MAC 描述了这个复杂的网络到底需要多少参数才能定义它，即存储该模型所需的存储空间

目前卷积神经网络的设计大都依据计算量，也就是 FLOPs，浮点计算次数，但 FLOPs 不是一个直接的衡量方式，是一个大概的预估，而且也可能和我们更关系的直接衡量方法（如速度和时间）得到的结果不等，且实际模型的的速度等还依赖于内存消耗、硬件平台等，所以 ShuffleNetV2 会在不同的硬件平台上更直接的来评估，而非只依靠 FLOPs。

在这里插入图片描述

如图 1 所示，MobileNet v2 是 NASNET-A 快很多，但 FLOPs 却基本没差别，也证明了有相同 FLOPs 的模型可能速度有很大的不同，所以，只使用 FLOPs 作为衡量指标不是最优的。

FLOPs 和 speed 之间的不对等可能有以下两个原因：

第一个原因：很多对速度有影响的因子没有被考虑到 FLOPs 中去，如内存访问成本 (MAC)。在某些操作 (如组卷积) 中，这种代价构成了运行时的很大一部分。它可能会成为具有强大计算能力的设备的瓶颈，例如 gpu。在设计网络体系结构时，不应该简单地忽略这个代价。另一个是并行度。在相同的 FLOPs 下，具有高并行度的模型可能比另一个具有低并行度的模型快得多。
第二个原因：FLOPs 相同的一些操作的运行速度可能不同。如 tensor 分解，能够加速矩阵乘法，但也有研究证明分解后可能在 GPU 上运行更慢，虽然 FLOPs 降低了 75%。这是由于新版的 CUDNN 针对 3x3 卷积进行了优化，所以不一定 3x3 的卷积就比 1x1 的卷积慢。

如下图 2 所示，FLOPs 主要衡量卷积部分，虽然这一部分可能很耗时，但其他的如 data shuffle、element-wise operation（AddTensor、ReLU）等等也同样很耗费时间，所以 FLOPs 不应该作为唯一的衡量指标。

在这里插入图片描述

基于上面的分析，作者认为一个方法高效与否应该从下面两个方面来衡量：

使用直接方法来度量效果而非间接方法
所以的度量要在对应的硬件设备上进行

ShuffleNetV2 首先提出了 4 条设计高效网络的方法：

G1：Equal channel width minimizes memory access cost (MAC)：当卷积层的输入特征矩阵与输出特征矩阵 channel 相等时 MAC 最小（保持FLOPs不变时）
G2： Excessive group convolution increases MAC：当 GConv 的 groups 增大时（保持FLOPs不变时），MAC 也会增大，所以建议针对不同的硬件和需求，更好的设计对应的分组数，而非盲目的增加
G3： Network fragmentation reduces degree of parallelism：网络设计的碎片化程度（或者说并行的分支数量）越高，速度越慢（Appendix Fig 1）
G4：Element-wise operations are non-negligible：Element-wise操作，即逐点运算，带来的影响是不可忽视的，轻量级模型中，元素操作占用了相当多的时间，特别是在GPU上。这里的元素操作符包括 ReLU、AddTensor、AddBias 等。将 depthwise convolution 作为一个 element-wise operator，因为它的 MAC/FLOPs 比率也很高

1、G1：输入输出通道相同的时候，MAC 最小，模型最快

很多网络都使用了深度可分离卷积，但其中的逐点卷积（1x1 卷积）计算量很大，1x1 卷积的计算量和其输入通道数 $c_1$ 和输出通道数 $c_2$ 有很大的关系，1x1 卷积的 FLOPs = $hwc_1c_2$

假设内存很大，则内存消耗 MAC = $hw(c_1+c_2)+c_1c_2$ ，和输入输出通道数相关性非常大，也有 $\sqrt(hwB) + \frac{B}{hw}$ ， MAC 的下线是由 FLOPs 决定的，当 1x1 卷积的输入输出通道数量相同的时候，MAC 最小。

如表 1，当固定 FLOPs 时，输入输出通道相同的时候，MAC 最小，模型最快。

在这里插入图片描述

2、G2：当分组卷积的分组数增大时(保持FLOPs不变时)，MAC 也会增大，所以建议针对不同的硬件和需求，更好的设计对应的分组数，而非盲目的增加

1x1 分组卷积的 MAC 和 FLOPs 如下：

在这里插入图片描述

$g$ 是分组数量， $B = hwc_1c_2/g$ 是 FLOPs
给定固定的输入尺度和 FLOPs，MAC 会随着分组数量的增大而增大
所以建议针对不同的硬件和需求，更好的设计对应的分组数，而非盲目的增加

在这里插入图片描述

3、G3：网络设计的碎片化程度越高（或者说并行的分支数量越多），速度越慢（Appendix Fig 1）

在这里插入图片描述

如表 3 所示，4 分支并行的网络约比单分支的网络慢 3x

在这里插入图片描述

4、G4：不要过多的使用逐点运算

如图 2，点乘操作会耗费很长时间，点乘会出现在 ReLU、AddTensor、AddBias 等操作中，虽然 FLOPs 很低，但 MAC 很高。深度可分离卷积也有点乘操作，所以也有高的 MAC/FLOPs ratio。

比如使用 ResNet 中的 bottleneck （1x1 + 3x3 + 1x1，ReLU，shortcut）做实验，将 ReLU 和 shortcut 去掉后，提升了 20% 的速度。

所以基于上述准则，设计高效网络要遵循如下准则：

使用输入输出通道相同的卷积
了解使用分组卷积的代价，合理的设定分组格式
降低网络并行的分支
减少逐点运算

ShuffleNet V2 的结构：

介绍 V2 的结构之前，先看看 V1 的设计问题：

pointwise 分组卷积和 bottleneck 结构会提升 MAC（G1 和 G2），其计算消耗是不可忽略的，尤其是小模型。
使用大的分组数会不符合 G3
残差连接中的逐点相加操作也会带来大量计算，不符合 G4

所以，如果想要同时实现高容量和计算效率，关键问题是如何使用大量且等宽的 channel，而不是很多的分组

ShuffleNet V2 中提出了 Channel Split：

在 block 刚开始的时候，就将 channel 一分为二，如图 3c 为基本结构，下采样时候的结构如图 3d

在这里插入图片描述

在每个 unit 的起始，将输入的 $c$ 维通道分为两份，也就是两个分支
为了遵守 G3，一个分支保留恒等映射
为了遵守 G1，另外一个分支使用 3 层卷积，且输入输出相同
为了遵守 G2，两个 1x1 卷积不使用 group-wise，因为分成两个分支，原理上已经进行了分组
得到两个分支的输出后，concat 起来，然后 channel 数量就和输入相同了（遵守了 G1），然后使用 channel shuffle 来让两个分支的信息进行交互
channel shuffle 之后，就开始了下一个 unit
要注意的是，这里没有使用 V1 中的相加操作，ReLU 和深度可分离卷积也只存在于一个分组中
为了遵循 G4，将 concat、channel shuffle、channel split 这三个操作进行了 merge，合并成了一个 element-wise 操作
下采样时，unit 会进行修改，如图 3d，移除了 channel split，输出的 channel 数量会翻倍
整个 V2 的网络结构是重复的堆叠起来的，为了简化， $c^{'} = c /2$ ，整个网络结构和 V1 也很类似，只有一个不同点，就是在 global average pooling 之前加了一个 1x1 卷积，用于特征混合。

ShuffleNetV2 不仅仅高效，而且准确性也有保证，主要有两个原因：

每个 block 都是高效的，这就允许网络使用更大的 channel 数量
每个 block 中，只使用约一半的 channel 经过本个 block 的层进行特征提取，另外一半的 channel 直接输入下一个 block，可以看做特征重用

6.9 VoVNet

详细介绍见本文

论文：An Energy and GPU-Computation Efficient Backbone Network for Real-Time Object Detection

出处：CVPR 2019 Workshop

贡献：

讨论了 MAC 和 GPU 计算的效率，并研究了如何设计更高效的结构
抛出了 DenseNet 网络结构中的问题，包括低效的、冗余的操作等，VoVNet 主要是对 DenseNet 的密集连接方式的改进
提出了 One-shot Aggregation（OSA），将中间的特征一次性聚合（在最后一层聚合一次），如图 1b 所示，能够在保留 concat 优势的同时优化 MAC（中间层输入输出通道相同）和 GPU 计算效率（无需 1x1 卷积）
基于 OSA 模块，构建了 VoVNet，一个 backbone 网络结构，并且将该 backbone 用于 DSOD、RefineDet、Mask R-CNN 等方法中，取得了比 DenseNet、ResNet 等方法更好的效率和准确率的平衡

VoVNet 的目标是什么：

将 DenseNet 优化成一个更高效的网络，同时保留其在目标检测任务上的良好效果

在这里插入图片描述

VoVNet 和 DenseNet 的最主要的区别：

DenseBlock 中的每一层的输入都是前面所有层 feature map 的叠加
VoVNet 只有最后一层的输入是前面所有层 feature map 的叠加。

ResNet 和 DenseNet 的不同在于特征聚合的方式：

ResNet 是将特征相加来聚合的
DenseNet 是将特征 concat 来聚合的

这两种聚合方式有一些不同：

当特征和浅层特征图相加的时候，会被弱化
而使用 concat 的话，特征会得到较好的保留
而检测网络需要利用目标的多分辨率特征，所以使用 concat 能更好的保留和利用这些特征

DenseNet 的参数量和 FLOPs 也更低一些，原因在于，除了 FLOPs 之外，还有很多影响模型运行时间的因素：

第一个就是 MAC，内存访问成本，也是存储特征图需要的空间，如图 1a 所示，DenseNet 的前面几层都使用密集连接，连接到后面的层，导致 MAC 随着网络深度的增大以平方的形式增大，导致更多的资源消耗
第二个就是 GPU 并行计算倍限制了，DenseNet 会被瓶颈层的计算限制，一般来说 GPU 的并行计算很有效，但由于输入通道的增大，DenseNet 需要使用 1x1 bottleneck 来降低输入维度和 FLOPs，导致 GPU 运算效率很低

高效网络设计的重要因素有如下两点：

MAC：Memory Access Cost，内存访问成本，MAC 描述了这个复杂的网络到底需要多少参数才能定义它，即存储该模型所需的存储空间，每个卷积层的 MAC 可以计算如下：
GPU 计算效率：

之所以一般要通过降低 FLOPs 的方法来加速的原因是，一般认为每个浮点运算的过程在相同设备上都是相同的。

但在 GPU 上却不是这样，因为 GPU 有并行加速策略，所以 GPU 呢给个同时处理多个浮点运算，这也是高效的一个很大的原因。

GPU 并行计算能力在计算大型 tensor 的时候很能体现出来，当把大的卷积核 split 后，GPU 并行的计算效率会变低，因为并行的部分变少了。

基于此，建立一个 layer 数量较少的网络可能会更好点

所以结论如下：

虽然深度可分离卷积和 1x1 瓶颈层能力降低 FLOPs，但会损害 GPU 的计算效率
不同网络结构的 GPU 计算效率是不同的

所以本文提出了一个新的概念：FLOPs per Second：FLOP/s，来衡量对 GPU 能力的利用情况，该值越大，则 GPU 的利用越高效

DenseNet 的 Dense Connection 的问题：

中间层的密集连接会必不可少的导致效率低下，因为随着层数的增加，输入 channel 数量也会线性增加。会有以下的问题：

密集连接会导致 MAC 的增大，当保持计算量不变时，输入输出通道数相同的时候，MAC 最小。而密集连接增加的输入的通道数，输出的通道数是没变的，所以在相同计算量的情况下， DenseNet 的 MAC 很高
密集连接就会需要使用 1x1 瓶颈层，瓶颈层不能很好的利用 GPU 的并行计算能力，使得 GPU 计算效率低。线性增长的输入尺寸是一个很大的问题，随着深度的增加，计算量是平方增长的。DenseNet 使用 1x1 卷积来保证输入 3x3 卷积的输入是不变的。但是，虽然 1x1 卷积能够降级 FLOPs，但会影响 GPU 的并行计算效率。瓶颈层将一个 3x3 卷积层拆分成两个更小的层，就会导致更多的串行计算（1x1+3x3 卷积），会拉低推理速度

在这里插入图片描述

只使用能相互互补（或相关性较小）的中间层特征，而非使用所有的中间层特征来生成最后的特征，会避免很多冗余

故此，作者认为，使用所有的中间层来进行密集连接其实带来的收益不多，所以，作者提出了一种新的密集链接方式：只使用每个 block 的最后一层进行特征聚合

One-shot Aggregation modules：

OSA 模块就是只聚合每个 block 的最后一层特征，也就是在每个 block 的最后一层，对该 block 的前面所有层的特征进行 concat，只进行着一次的聚合。

该模块将中间层的特征聚合到最后一层。如图 1 所示。每个卷积层包含双向连接，一个连接到下一层以产生具有更大感受野的特征，而另一个仅聚合到最终输出特征映射。

在这里插入图片描述

OSA 能够提升 GPU 是计算效率，OSA 中间层的输入输出通道数相同，也不大需要使用 1x1 瓶颈层来降维，所以，OSA 层数更少、更高效

OSA 与 DenseNet 的不同之处总结如下：

每一层的输出并没有按路线（route）到所有后续的中间层，这使得中间层的输入大小是恒定的。这样就提高了 GPU 的计算效率。
另外一个不同之处在于没有了密集连接，因此 MAC 比 DenseNet 小得多
此外，由于 OSA 模块聚集了浅层特征，它包含的层更少。因此，OSA 模块被设计成只有几层，可以在 GPU 中高效计算。

在这里插入图片描述

【目标检测】56、目标检测超详细介绍

文章目录

1、双阶段和单阶段目标检测器

1.1 双阶段目标检测器

1.1.1 R-CNN

1.1.2 SPP

1.1.3 Fast R-CNN

1.1.4 Faster R-CNN

1.2 单阶段目标检测器

1.2.1 YOLO 系列

1.2.1.1 YOLOv1

1.2.1.2 YOLOv2

1.2.1.3 YOLOv3

1.2.1.4 YOLOv4

1.2.1.5 Scaled-YOLOv4

1.2.1.6 YOLOv5

1.2.1.7 YOLOv6

1.2.1.8 YOLOv7

1.2.2 SSD

1.2.3 RetinaNet

1.2.4 CenterNet

1.2.5 FCOS

2、Label Assignment

2.1 RetinaNet

2.2 FCOS

2.3 ATSS

2.4 Free Anchor

2.5 AutoAssign

2.6 PAA

2.7 OTA

2.8 SimOTA

3、后处理之 NMS

3.1 NMS

3.2 Soft NMS

3.3 Softer NMS

3.4 IoU-Net：IoU-Guided NMS

3.5 FCOS：Centerness-NMS

3.6 GFLV1：Classification-IoU-NMS

3.7 GFLV2：DGQP-NMS

4、数据增强

4.1 Cutout

4.2 Random Erasing

4.3 Mixup

4.4 CutMix

4.5 Mosaic

4.6 Copy-paste

4.7 Grid-Mask

4.8 Fence-Mask

5、Neck

5.1 FPN

5.2 PAN

5.3 NAS-FPN

5.4 BiFPN

6、Backbone

6.1 GoogLeNet

6.2 ResNet

6.3 ResNeXt

6.4 DenseNet

6.5 CSPNet

6.6 RepVGG

6.7 MobileNet 系列

6.7.1 MobileNetV1

6.7.2 MobileNetV2

6.7.3 MobileNetV3

6.8 ShuffleNet 系列

6.8.1 ShuffleNetV1

6.8.2 ShuffleNetV2

6.9 VoVNet

猜你喜欢