目标检测之yolo系列模型-yolov4/yolox

一、yolov4较yolov3的优化点

https://www.cnblogs.com/cucwwb/p/13166288.html

• 总结：
  （1）对主干网络进行了修改，将原先的Darknet53改为CSPDarknet53，其中是将激活函数改为Mish激活函数，并且在网络中加入了CSP结构。
  （2）对特征提取过程的加强，添加了SPP，PANet结构。
  （3）在数据预处理阶段加入Mosaic方法。
  （4）在损失函数中做了改进使用了CIOU作为回归Loss。

Mish()=x×tanh(ln(1+ex))Mish() = x×tanh(ln^{(1+e^x)})Mish()=x×tanh(ln(1+ex))

1.1 网络结构层面

(1) CSPDarknet53（借用CSP结构）

CSP是可以增强CNN学习能力的新型结构，CSPNet将底层的特征映射分为两部分，一部分经过密集块和过渡层，另一部分与传输的特征映射结合到下一阶段。

原文表达的作用：
加快网络的推理速度，减少对显存的使用，并且提升网络的学习能力。

1. 更强的CNN的学习能力；
2. 移除计算瓶颈；
3. 减小使用的内存；

原文通过通道分割，但实际上不是，代码中是先用卷积下采样，然后分别输入两个conv结构中。

(2) SPP

优点：解决多尺度的问题
分别经过卷积和大小5X5，步距为1，padding为2；卷积和大小9X9，步距为1，padding为4；卷积和大小13X13，步距为1，padding为6；输出都是13X13X2046，和原始的拼接起来，最后的shape为13X13X2046。

附：卷积和的计算公式

output=input−keral+padding∗2stride+1output = \\frac{input - keral + padding * 2}{stride} + 1output=strideinput−keral+padding∗2​+1

(3) PAN（借用PANet）

上采样：FPN
上采样+下采样：PAN
特征融合：CONCAT策略，在深度方向进行拼接

1.2 优化策略

(1) mosaic 4张不同的图片拼接起来

(2) ciou

IOU：一般的iou，两个框的交集除以并集
GIOU：= $iou-((AC-U)/AC)$
其中， AC为两个框的外接矩形的面积，U为两个框的并集的面积
缺点：

1. 当两个框并列时，退化为IOU计算公式；
2. 两个框，小框在大框中时，无法衡量两个框的位置关系，基于这一点提出DIOU；

DIOU：= iou−(d2/c2)iou - (d^2 / c^2)iou−(d2/c2)
其中d为两个框中心点的距离，c为两个框外接矩形的对角线的距离
CIOU：= iou−(d2/c2+av)iou - (d^2 / c^2 + av)iou−(d2/c2+av)
考虑到了距离和框的宽高

(3) 消除grid网格敏感——预测目标中心点可以取到网格边界/增加正样本的数量 Eliminate grid sensitivity

• 回顾yolov3
  预测目标边界框的时候，通过1X1卷积层滑动grid cell会针对每个anchor预测回归框参数以及每个类别的score分数，回归参数则为tx,ty,tw,tht_x,t_y,t_w,t_htx​,ty​,tw​,th​，公式如下:虚线为anchor，蓝色为gt框。
  
  问题在于sigmoid激活函数在0和1范围内取值，因此如果真实目标的中心点刚好落在grid cell边界上，是无法预测正确的。

• yolov4的改进：修改激活函数
  

二、yolox较yolov4的优化点

网络结构基于yolov5 v5.0构建的

2.1 网络更新–解耦检测头

加速收敛，提升AP，参数不共享；类别一个检测头，位置和objectness共用一个检测头；

需要注意的是，实验效果是跟yolov3进行比较，看结果是能更快的收敛，但网络是从yolov5借鉴的，所以效果就emmm值得商榷，结果如下：

2.2 Anchor-Free机制以及优缺点

• anchor-free机制
  在每个grid cell来预测四个参数tx,ty,tw,tht_x, t_y, t_w, t_htx​,ty​,tw​,th​，这里是相对特征层的，还原到原图需要乘以步距。可以看到跟anchor没关，是个anchor-free的网络。
  

• 优点：

1. 使用类似分割的思想来解决目标检测问题；
2. 不需要调优与anchor相关的超参数；
3. 避免大量计算GT boxes和anchor boxes 之间的IoU，使得训练过程占用内存更低。

• 缺点：
  https://m.fx361.com/news/2022/0413/10766620.html
  1.正负样本极端不平衡；
  2.语义模糊性（因为主要靠关键点检测，如果两个目标中心点距离太近，更甚重叠，就会造成语义模糊）；
  现在这两者大多是采用Focus Loss和FPN来缓解的，但并没有真正解决。

2.2.1 (附录) Anchor-based机制的优缺点

1. 优点：
   （1）使用anchor机制产生密集的anchor box，使得网络可直接在此基础上进行目标分类及边界框坐标回归；
   （2）密集的anchor box可有效提高网络目标召回能力，对于小目标检测来说提升非常明显。

2. 缺点：
   （1）anchor机制中，需要设定的超参：尺度(scale)和长宽比( aspect ratio)是比较难设计的。这需要较强的先验知识。
   （2）冗余框非常之多，会造成正负样本严重不平衡问题，也是one-stage算法难以赶超two-stage算法的原因之一。
   （3）网络实质上是看不见anchor box的，在anchor box的基础上进行边界回归更像是一种在范围比较小时候的强行记忆。
   （4）基于anchor box进行目标类别分类时，IOU阈值超参设置也是一个问题。
   ————————————————
   版权声明：本文为CSDN博主「ytusdc」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/ytusdc/article/details/107864527

2.3 更先进的正负样本匹配策略（simOTA）

三、focal loss

3.1 背景

针对one-stage的模型，目的是解决正负样本不均衡的问题。(负样本会有1w-10w，权重小，数量多也会过多关注)

3.2 做法

降低易分样本的loss贡献，让网络专注于学习难分的样本，达到平衡样本的目的，因为负样本数量巨多，就会有很多的易分样本。

3.3 更细节

参考：
yolo系列：
https://blog.csdn.net/ThomasCai001/article/details/123593690?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22123593690%22%2C%22source%22%3A%22ThomasCai001%22%7D
yolov3：https://blog.csdn.net/leviopku/article/details/82660381