目录

1.简单回顾PP-YOLOv2

2.本文的贡献

2.1 anchor free

2.2 Backbone and Neck

2.2.1 ESE的原始架构 

2.3 TAL和T-head

2.3.1 TAL

2.4 Efficient Task-aligned Head（ET-head） 

2.4.1 varifocal loss (VFL)

2.4.2 distribution focal loss（DFL）

3. 实验

3.1 与sota检测器相比

涉及到的论文

---

出自：百度 2022.44.2

论文：https://arxiv.org/pdf/2203.16250.pdf

代码：https://github.com/PaddlePaddle/PaddleDetection

 PP-YOLOE的整体框架图：

1.简单回顾PP-YOLOv2

论文：https://arxiv.org/abs/2104.10419

代码：https://github.com/paddlepaddle/paddledetection

主干ResNet50-vd，deformable convolution，PAN neck with SPP layer and DropBlock【7】，lightweight IOU aware head。 主干激活使用relu，neck 激活使用mish。 loss函数有分类loss，回归loss和目标loss，且PP-yolov2使用了IoU loss和Iou aware loss；

2.本文的贡献

①anchor-free

②powerful backbone and neck equipped with CSPRepResStage

③ET-head

④TAL动态label assign

2.1 anchor free

原因：基于anchor的方法掺杂太多人工设定，且同一组anchor参数无法适用于所有数据集；

细节：anchor free方法参考FCOS【25】，PPYOLOE中的anchor free方法，主要就是将之前anchor base中预测相较于anchor的xywh，改进为预测ltrb(left,top,right,bottom)，并将ltrb结果乘上当前特征图的stride。

结果：速度略有提升，且ap下降0.3；

2.2 Backbone and Neck

提出了RepResBlock：

使用了resdiual connections和dense connection，将这种模块用于backbone和neck中；

参考TreeBlock【20】，作者提出了RepResBlock，训练阶段如fig3（b），推理阶段如图3（c），简化的TreeBlock如fig3（a），将concat替换成element-wise add operation就得到了fig3（b）作者的backbone命名为CSPRepResBlock，包括三个卷积和四个RepResBlock，如fig3（d） 通过ESE(Effective Squeeze and Extraction) layer施加通道注意力。 

2.2.1 ESE的原始架构 

SE（Squeeze-and-Excitation(SE)）结构：

 

ESE结构：

区别：se有两个fc，ese只有一个fc；

2.3 TAL和T-head

物体检测方法的2个局限性：    

①分类和定位的独立性。分类和定位一般用的是2个独立的分支，这样使得2个任务之间缺乏交互，在预测的时候就会出现：得分高的预测位置不准，位置准的预测得分不高。  

 ②任务无关的样本分配：对于分类最优的anchor和对于定位最优的anchor往往并不是同一个。

解决办法：TOOD提出任务对齐头(Task-aligned head, T-head)和新的任务对齐学习(Task-aligned Learning, TAL)来更明确地对齐两个任务； 操作流程：首先，T-head对FPN特征进行预测。然后，计算每个定位点的任务对齐度量，TAL根据此度量为T-head生成学习信号。最后，T-head对分类和定位的分布进行相应的调整。其中，最对齐的锚通过概率图prob (probability map)获得更高的分类得分，通过学习偏移获得更准确的锚框预测。

2.3.1 TAL

Task Alignment Learning：为了进一步指导T-Head做出与任务对齐的预测提出TAL。

它包括一个分配策略和新损失的函数；

分配策略 ①Task-aligned Sample Assignment：

1)对齐良好的锚点应能联合精确定位预测出较高的分类分数;

2)不对齐的锚应具有较低的分类评分，并随后予以抑制。

②Anchor alignment metric：分类得分和IoU的高阶组合来衡量任务对齐程度， 

 

其中：s和u分别表示分类分数和IOU值

③Training sample assignment：选择t值最大的m个锚点为正样本，而使用其余的锚点作为负样本； 

损失函数

t^是对t的归一化

2.4 Efficient Task-aligned Head（ET-head） 

解决的点：分类和定位的任务冲突    

YOLOX使用了decopled head 该方法的缺点：导致分类任务和定位任务分离，使得两个任务独立； 缺乏特定任务学习；

解决方法：参考TOOD【5】，优化得到ET-head 改进点：  

 ①相比较TOOD，使用ESE block替换layer attention。    

②分类分支添加了shortcut。    

③分类分支使用varifocal loss (VFL),优点：这种实现使得iou高的正样本对损耗的贡献相对较大，促使模型更加关注高质量样本；  

 ④回归分支使用distribution focal loss（DFL）。

最终loss：

结果：map提升0.5；

2.4.1 varifocal loss (VFL)

focal loss：

其中a用来均衡正负样本的权重,y为gt，前景类的预测概率p∈[0,1]，（1-p）的r次和p的r次用来调制每个样本的权重。使困难样本有更高的权重； VFL从focal loss中借鉴了样本加权思想来解决类不平衡问题；

VFL loss:

其中p是预测的IACS（分类）得分，q是目标IoU得分。 对于训练中的正样本，将q设置为生成的bbox和gt box之间的IoU；而对于负样本，q为0。

2.4.2 distribution focal loss（DFL）

参考：《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》 -清华大学，南京大学 https://blog.csdn.net/qq_52302919/article/details/125304230   https://zhuanlan.zhihu.com/p/310229973 

3. 实验

实验数据：MS COCO-2017（80个类别，118000张图片）

数据处理细节：random crop，random horizontal filp，color distortion，和multi-scale；

参数设置细节：SGD，momentum=0.9，weight decay=5e-4，cosine learning rate schedule，epochs=300，warmup epochs=5，base learning rate=0.01，batch size=64；exponential moving average（EMA） 硬件设备：8*32G V100 GPU

3.1 与sota检测器相比

科普性相关信息

一文看懂Label Assignment--标签分配最新论文总结 - 知乎

涉及到的论文

《Bag of Tricks for Image Classification with Convolutional Neural Networks》

可学习的各种训练策略（文中用于分类）：

1.学习率的调整

当batch_size=256时，初始化lr=0.1，当batch_size=b,则学习率调整为

   

如：b=128，

2.学习率热身效应

在训练初期使用较小的学习率进行热身，逐渐增大到设置的学习率，则前m个batches使用warm up使用的学习率：

    ，1<=i<=qm

3.使的网络初始阶段更容易训练

Zero γ（可查看原文）

4.只对卷积层和全连接层的weight的weights使用weight decay

在SGD中优化中相当于L2正则，作者认为并不是所有的参数weight decay；

5.其他策略

（使用广泛，不一一细讲了）：

1.提升模型的训练速度，FP16和FP32的混合训练；

2.ResNet网络结构的优化；

3.Cosine Learning Rate Decay；

4.Label Smoothing

5.Knowledge Distillation

6.Mixup Training

参考：https://www.jianshu.com/p/02a76ac73d48

《Dropblock:A regularization method for convolutional networks:Advaces in neural information process system》

dropblock:一种正则化方法，在ImageNet分类任务中，使用Resnet-50精度提升了1.6%个点，在coco检测任务中，精度提升了1.6%。

SPP layer ：将不同尺寸使用max pooling输出为固定长度的尺寸

Relu激活：又称为修正线性单元（Rectified Linear Unit），是一种分段线性函数，其弥补了sigmoid函数以及tanh函数的梯度消失问题。

函数：

ReLU函数的优点：
1. 在输入为正数的时候（对于大多数输入 z 空间来说），不存在梯度消失问题。
2. 计算速度要快很多。ReLU函数只有线性关系，不管是前向传播还是反向传播，都比sigmod和tanh要快很多。（sigmod和tanh要计算指数，计算速度会比较慢）
ReLU函数的缺点：
当输入为负时，梯度为0，会产生梯度消失问题。

参考链接：https://zhuanlan.zhihu.com/p/139696588

mish激活：

一种自正则的非单调神经激活函数，平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化。根据论文实验，该函数在最终准确度上比Swish(+0.494%)和ReLU(+ 1.671%)都有提高。

函数：

图形来自于：https://wenku.baidu.com/view/9cbad2976adc5022aaea998fcc22bcd126ff4236.html 

IOU loss的使用：

标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。

Bounding Box Regression Loss Function的演进路线是：
Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --> CIoU Loss

Iou loss提出前，大家主要通过4个坐标点独立回归Bounding box(bbox，边界框)，这样做的缺点有：

目标检测的评价方式是使用IoU，而实际回归坐标框的时候使用4个坐标点，二者是不等价的，如下图所示；
L1或者L2 Loss相同的框，其IoU 不是唯一的
通过4个坐标点回归坐标框的方式，是假设4个点相互独立的，没有考虑其相关性，实际4个坐标点具有一定的相关性
基于L1和L2的距离的loss对于尺度 不具有 不变性
————————————————
版权声明：本文为CSDN博主「寻找永不遗憾」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_45377629/article/details/124911293

 《Fcos：Fully convolutional one-stage object detection》

提出的无anchor的网络结构：

分类使用fcoal loss，回归使用iou loss；center-ness大小为0-1，用BCE loss计算。用于抑制FCOS产生的低质量的bbox，尤其是那些离目标中心较远的locations ；

residual connections：

残差链接主要是为了解决梯度消失问题；

dense connections ：

密集连接主要是使用更多的感受野扩大中间特征;