芒果YOLOv5改进27：标签分配策略篇之TOOD：最新基于标签分配策略TOOD改进提出新的模型（内附代码），Task-aligned Assignment任务对齐学习TAL，刷新单阶段目标检测新纪录

已于 2024-03-14 20:20:22 修改
阅读量5.3k 收藏 18
点赞数 4
分类专栏： 芒果YOLOv5原创改进 芒果改进YOLO进阶指南 文章标签： 目标检测 学习 深度学习
于 2022-11-06 18:44:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38668236/article/details/127719113
版权
芒果YOLOv5原创改进 同时被 2 个专栏收录
101 篇文章 39 订阅 ¥239.90 ¥99.00
订阅专栏
芒果改进YOLO进阶指南
65 篇文章 621 订阅 ¥299.90 ¥99.00
订阅专栏
  • 💡该教程为改进进阶指南，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀
  • 💡本篇文章 基于YOLOv7、YOLOv5等网络改进YOLO系列：全网首发最新结合TOOD任务对齐学习，刷新单阶段目标检测新纪录的 Task-aligned One-stage Object Detection，打造高性能检测器。
  • 重点：🔥🔥🔥有不少同学已经反应 专栏的教程 提供的网络结构 在数据集上有效涨点!!! 🌟进阶专栏内容持续更新中🎈☁️🏅️，订阅了该专栏的读者务必·私信博主·加·全新创新点进阶交流群·群内不定时会发一些其他未公开的Tricks.
  • 另外本文对结构进行改进优化，内容包括理论部分和改进代码🚀

    文章目录

了解本专栏 订阅专栏 解锁全文
芒果汁没有芒果
关注
  • 4
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
芒果YOLOv5改进72：标签分配策略篇之ATSS：原创改进为AnchorFree：自适应训练样本选择Adaptive Training Sample Selection策略
包括YOLOv5、YOLOv7、YOLOv8等模型改进
07-31 1164
YOLOv5代码改进实践｜ ATSS标签分配策略
样本分配策略之YOLOv5
枫叶wu的博客
03-28 1115
目标检测的损失往往由三个部分组成：分类损失Lcls，置信度损失Lobj与边界框的iou损失Lbox。Lcls与Lbox仅由正样本产生，而Lobj则由所有样本产生。不同于DETR这种端到端的目标检测算法，YOLO会产生大量的预测框，每一个预测框称之为一个样本。那么对于产生的这些预测框，哪些应该作为正样本去与gt(ground truth)计算Lbox与Lcls，哪些又应该作为负样本仅仅贡献Lobj呢？这就取决于所定义的样本分配方法。
(七)标签分配
qq_23123181的博客
12-07 1226
标签分配策略，是一个预定义的规则，能够分配每个anchor的正负，也就是一个gt会对应多个anchor。1、ATSS2、OTA: Optimal Transport Assignment for Object Detection3、Freeanchor、AutoAssign 等通过使用预测的 confidence score 来动态分配正负
mmdetection中的TOOD动态标签分配器代码注释tood.py-assign
qq52144324的博客
02-26 279
类的主要功能是为每个预测框分配一个对应的真实框或背景。这个分配过程基于计算预测框与真实框之间的对齐度量（alignment metric），并选择与每个真实框对齐度最高的前k个预测框作为候选。论文 "TOOD: Task-aligned One-stage Object Detection"
论文研究-Rapidio网络路由分配策略的优化和改进.pdf
09-06
自由空间下射频识别系统天线通常等效为戴维南等效电路模型，缺少对环境因素和标签电路中寄生元件的考虑。基于射频识别系统基本原理和天线散射理论，提出了一种改进的真实环境下的超高频射频识别系统二端口网络链路模型。建立了基于虚拟仪器技术的射频识别系统天线链路仿真和测试系统。通过仿真实验，得出了真实环境下的标签吸收功率和通信误码率，验证了环境因素对射频识别系统性能的影响。
多类分类中基于正交性的标签校正
04-16
基于正交性的标签编码是多类分类中经常使用的技术。 通过将标签编码为一些多维正交码字，许多二进制分类器可以自然地扩展到多类情况。 对于看不见的样本，分类器首先估计其码字，然后计算相应的距离从标签。 最后，将最接近的一个分配为其类标签。 然而，这些分类器实际上几乎不能保证估计的码字仍然保持与其他类别的正交性，这更有可能导致不同类别中的码字在某种程度上彼此重叠，从而影响分类。 表现。 提出了一种新颖的标签校正策略，其旨在在估计的样本码字和其他类别的标签之间保持尽可能多的正交性，以便尽可能多地保持码字的正交性。 该策略与两个最新的分类器结合：正则化最小二乘分类器和最小二乘支持向量机。 在UCI数据集上进行的实验证明了该方法的有效性。
Quadflor:Python中的End-2-End多标签分类
05-03
四花 多标签分类 多标签分类任务包括将一组类标签分配给主题样本。 在科学或新闻文件的上下文中，该任务等效于主题索引。 使用机器学习，目标是从一组带标签的文档训练到未带标签的文档进行概括。 文本分类管道 是用于文档多标签分类及其评估的文本处理管道。 给定具有描述符标签的特定领域词库，不同的算法将学习如何将这些标签分配给训练集中的文档。 该框架支持进行概念提取，同义词集解析，扩展激活（包括分层重新加权）的机会。 这些功能的进一步处理由分类器执行。 作为内置的分类器选项，Quadflor提供： 朴素贝叶斯（两个变体） 逻辑回归 线性支持向量机 K最近邻居（两个多标签改编变体以及Rocchio）， 随机梯度下降 堆叠式决策树分类器 Learning2Rank 多层感知器（MLP） 尽管文本处理管道旨在自动评估新型分类策略，但也可以在实际环境中使用所有已知文档作为​​训练数据并对新的未知文
yolov5详解（二）
qq_43585355的博客
07-31 351
标签匹配
【yolov5】将标注好的数据集进行划分（附完整可运行python代码）
热门推荐
freezing_00的博客
02-18 1万+
python下的yolov5数据集划分
Error Correction Coding _ Tood.pdf
01-30
Error Correction Coding_Tood
ICCV2021 | TOOD：任务对齐的单阶段目标检测
CV技术指南（微信公众号）
12-07 4495
前言单阶段目标检测通常通过优化目标分类和定位两个子任务来实现，使用具有两个平行分支的头部，这可能会导致两个任务之间的预测出现一定程度的空间错位。本文提出了一种任务对齐的一阶段目标检测(TOOD)，它以基于学习的方式显式地对齐这两个任务。 TOOD在MS-CoCO上实现了51.1Ap的单模型单尺度测试。这大大超过了最近的单阶段检测器，如ATSS(47.7AP)、GFL(48.2AP)和PAA(49.0AP)，它们的参数和FLOPs更少。 本文来自公众号CV技术指南的论文分享系列 关注公众号CV技术指南.
标签分配PAA（ECCV 2020）原理与代码解析
00000cj的博客
03-16 425
本文提出了一种新的标签分配策略，根据模型的学习状态自适应的将anchor划分为正负样本，从而能够以概率的方式解释正负样本的划分。为此首先基于模型计算anchor的得分，然后用一个概率分布拟合这些分数，然后根据anchor的概率将其划分正负样本。此外作者还研究了训练和测试目标之间的差距，并提出预测检测框的IoU作为定位质量的评估来减少这种差距。将分类得分和定位质量的联合作为NMS中过滤的阈值，和提出的标签分配结合使用，可以显著提高模型的性能。
芒果YOLOv5改进57：标签分配策略篇之NanoDet：NanoDet算法动态标签分配策略(附原创改进代码)，公开数据集mAP有效涨点，来打造新颖YOLOv5检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-28 1522
YOLOv5独家改进：NanoDet动态标签分配策略(附原创改进代码)
YOLOV5改进-loss-Optimal Transport Assignment(OTA)
qq_69854365的博客
05-22 1351
OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。
yolov6 TaskAlignedAssigner Task aligned 标签分配策略
qq_64693987的博客
05-15 2256
主要是三个方法：self.get_pos_mask、select_highest_overlaps和self.get_targets，最后返回target_labels（每个格子对应的标签）, target_bboxes（每个格子对应的真实框，没有就用第一个替代，后面会使用mask去除）, target_scores（每个格子对应类别的分数）, fg_mask.bool()（正样本的mask）例如第一行 0,0,0,0,0,2,...,5,0,0,0,1,..,0,0,0;
【YOLOv5】正样本分配详解
mjiansun的专栏
09-21 6136
YoloV5中loss由正样本和负样本两部分loss组成，负样本对应着图像的背景，如果负样本远多于正样本，则负样本会淹没正样本的损失，从而降低网络收敛的效率与检测精度。这就是目标检测中常见的正负样本不均衡问题，解决方案之一是增加正样本数。
YOLOV5详细解读
qq_50027359的博客
11-16 8605
本文主要是对基于深度学习的目标检测算法进行细节解读，以YOLOV5为例；
JAVA 学习·泛型（二）——通配泛型
最新发布
wr114514的博客
05-02 983
介绍了Java泛型中的重要知识点——通配泛型及其应用。
限流的学习
weixin_43675252的博客
05-01 377
限流算法：滑动窗口算法滑动日志算法漏桶算法令牌桶算法。
yolov5 tood
09-13
您好！YOLOv5 是一个目标检测算法，它是由ultralytics团队开发的一种基于深度学习的物体检测框架。YOLOv5是YOLO系列算法的最新版本，相比之前的版本，它具有更高的准确性和更快的速度。 使用YOLOv5，您可以将其应用于各种计算机视觉任务，如实时目标检测、行人检测、车辆检测等。您可以通过安装ultralytics团队在GitHub上发布的YOLOv5库来开始使用它。该库提供了使用预训练模型或自定义数据集进行目标检测的示例代码和文档。 希望这个简要介绍能够对您有所帮助！如果您有更多关于YOLOv5的问题，请随时问我。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

芒果汁没有芒果

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值