YOLOX：高性能目标检测的最新实践 | 报告详解

智源社区

于 2021-08-26 17:16:49 发布

阅读量1.8k

点赞数 4

文章标签：网络计算机视觉机器学习人工智能深度学习

本文链接：https://blog.csdn.net/BAAIBeijing/article/details/119951702

版权

旷视科技研究院的刘松涛介绍了YOLOX，它是YOLO系列的最新进展，旨在解决手工设定样本正负导致的模型泛化能力问题。YOLOX采用Decoupled Head、Anchor Free、SimOTA等技术，实现在COCO数据集上的优秀性能，同时提供了训练和部署建议。

摘要由CSDN通过智能技术生成

近年来，目标检测的工程应用研究中，YOLO系列以快速响应、高精度、结构简单以及容易部署的特点备受工程研究人员的青睐。同时，YOLO系列存在需要手工设定样本正负导致模型泛化能力较差的问题。为了解决此类问题，旷视科技研究院BaseDetection组结合学术界先进成果和工程实践的要求，提出了YOLOX。

本期，来自旷视科技研究院BaseDetection组的刘松涛，对YOLO近两年的关键技术进行了梳理，同时介绍了YOLOX在这些方向上的关键改进，以及一些实际训练和调优的经验。

视频回放链接：https://event.baai.ac.cn/activities/158

主讲人简介

刘松涛，旷视研究院BaseDetection组研究员，本科和博士均毕业于北京航空航天大学，主要研究方向为计算机视觉中的目标检测、行人检测问题。他在CVPR、ECCV、ICCV等国际计算机视觉顶级会议中发表了近10篇文章，并获得了CVPR 自动驾驶比赛WAD 2021中Streaming Perception Challenge 双赛道冠军。代表作品包括RFBNet，AdaptiveNMS， ASFF和YOLOX等。