[论文笔记]YOLOX 阅读笔记

已于 2022-07-26 15:01:48 修改
阅读量782 收藏 2
点赞数
分类专栏： 论文笔记 文章标签： 深度学习 人工智能 计算机视觉
于 2022-07-25 13:41:32 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_44690067/article/details/125962409
版权

YOLOX 阅读笔记

YOLOX: Exceeding YOLO Series in 2021（CVPR 2021）

论文链接：论文链接
代码链接：代码链接
作者自己对于这篇文章的解读：https://www.zhihu.com/question/473350307/answer/2021031747

动机

  • 将anchor free、advanced label assignment strategies、end-to-end（NMS-free）detector这些新技术集成到YOLO当中去

解决方案

在这里插入图片描述

Decoupled head（解耦头）

在这里插入图片描述

  • coupled head指的是回归和分类共享参数，使用一个向量进行预测，如上图中YOLOv3~v5

  • decoupled head指的是将分类和回归的向量进行分离，使用各自的参数进行预测
    在这里插入图片描述
    在这里插入图片描述

  • 从Table 1 & Figure 3 可以得到两个结论：

    • decoupled head可以提升end-to-end YOLO的性能
    • decoupled head可以极大提升训练收敛速度

Strong data augmentation（数据增强）

Anchor free（无锚检测器）

  • 转变为anchor free的具体做法：
    • 将每一个位置的预测数量从3降到1（相比于YOLOv3）
    • 每个位置预测4个值——以grid的左上角为参照的两个偏移量，以及bbox的高度和宽度
    • 将object的中心点（只取一个点）作为正样本，同时不同scale的object被分配到不同level的FPN中去——和FCOS一致

Multi positives（增加正样本）

  • 上面的anchor free版本只使用了中心点，这样忽略了一些高质量检测，因此作者参照FCOS的方法将中心3*3的范围的点全部作为正样本

SimOTA

  • SimOTA（Simple Optimal Transport Assignment）是基于这篇论文作者自己的工作OTA实现的，是一种相比于OTA更快速的 标签分配策略
  • 算法：
    • 计算gt g i g_i g
最低0.47元/天 解锁文章
吉他A梦
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YoloX 阅读笔记
张洁的笔记
11-16 2164
YoloX 阅读笔记摘要IntroductionYOLOX主干网FPNhead 摘要 We switch the YOLO detector to an anchor-free manner and conduct other advanced detection techniques, i.e., a decoupled head and the leading label assignment strategy SimOTA to achieve state-of-the-art results ac
YOLOX阅读笔记
m0_46223011的博客
10-02 339
YOLOX论文阅读 Baseline:DarkNet53 + SPP Layer 同时加入了一些训练策略，EMA权重更新，cosine学习率机制， IoU loss和IOU-aware分支，在训练cls和obj分支时使用BCE Loss，在reg分支使用IoU Loss Decoupled head: 强大的数据增强策略：Mosaic 和 Mixup Anchor-free : YOLOv4和YOLOv5都遵循YOLO3的Anchor-base策略。下面指出anchor机制的几个问题：1.为了实现最佳的检
YOLO论文阅读笔记
梦的灰色边沿...
06-05 570
文章目录一、YOLO-v1简介二、YOLO-V1流程1、one-stage2、具体流程3、网络模型4、实验过程中的缺陷及其改进三、分析1、效果2、优缺点四、其他1、训练时的小Trick 一、YOLO-v1简介   yolo-v1是Joseph Redmon等人发表的一片one-stage的实时目标检测(object detection)论文,相比于传统的目标检测算法和之前利用CNN进行目标检测的算...
yolox中关于NMS你需要知道的
fangweijiex的博客
09-03 1189
【代码】yolox中关于NMS你需要知道的。
Decoupled head（解耦合头）和Coupled head（耦合头）
weixin_44902604的博客
03-13 1万+
简单来说，解耦合头突出在一个解字，就是把特征图用不同的分支分开处理，而耦合头不分开 一起处理了。常见的解耦合头设计包括Faster R-CNN中的RPN（Region Proposal Network）和 Fast R-CNN中的。
FCN论文笔记.docx
02-02
讲解FCN论文，希望能够对大家有帮助。如果有错误，大家可以随时联系我。我一定虚心改正，希望能够和大家一起努力学习知识。
2020-2021对偶学习论文笔记
07-19
2020-2021对偶学习论文笔记
论文笔记模板——自用xmind模板
03-08
为了看论文时更有条理，并且沉淀的东西更多更有用，我总结了一个自用的【论文笔记整理模板】，以xmind格式呈现
AlexNet论文笔记总结
04-09
AlexNet的论文笔记总结，比阅读原文要简单一些，加入了自己的思考
Anchor-Free系列之YOLOX：Exceeding YOLO Series in 2021
胖胖大海的博客
05-03 3896
Anchor-Free系列之CornerNet: Detecting Objects as Paired Keypoints_程大海的博客-CSDN博客 Anchor-Free系列之CenterNet：Objects as Points_程大海的博客-CSDN博客 Anchor-Free系列之FCOS：A Simple and Strong Anchor-free Object Detector_程大海的博客-CSDN博客 参考：如何评价旷视开源的YOLOX，效果超过YOLOv5? - 知乎.
YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记
浅浅记录一下吧。
11-10 4640
YOLOX: Exceeding YOLO Series in 2021 这是一篇由旷视科技提出的2021超越YOLO系列的论文:YOLOX 出处：CVPR 2021 摘要 文章介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX： anchor-free（无anchor） decoupled head（解耦头） label assignment strategy SimOTA（标签分配策略，基于作者的另一篇论文：Zheng Ge, Songtao Liu, Zeming Li
YOLOX论文理解
牧羊女
04-11 4620
YOLOX论文：YOLOX: Exceeding YOLO Series in 2021 代码链接：https://github.com/Megvii-BaseDetection/YOLOX 随着目标检测技术的发展，YOLO系列一直在追求实时应用场景下速度和精度的最佳平衡，且都引入了在当时看来最先进的技术，例如YOLOv2的anchors，YOLOv3的残差网络等，并通过优化得到最好的现实表现。目前，拥有精度和速度最佳平衡的YOLOv5在COCO数据集上可达到48.2%的AP，以及13.7ms的推理速度
YOLOv3 学习记录
RessCris的博客
11-16 373
关注目标在哪里目标是什么目标检测的发展路径：proposal 两阶段 --> anchor-base/ anchor-free --> nms free小目标、跨域？1、YOLOv3在实时性和精确性在当时都是做的比较好的，并在工业界得到了广泛应用。2、YOLOv3在Backbone网络结构上应用残差连接思想来解决深度网络的梯度消失问题。yolov2 使用的是 darknet 19, 类似于 vgg。3、YOLOv3最显著的改进就是在3个尺度上以相同的方式进行目标的检测。
涨点技巧：Detect系列---Yolov5/Yolov7加入解耦头Decoupled_Detect，涨点明显
各专栏持续更新中，改进创新YOLO，适用v5、v7、v8、v9，订阅者私信添加本人微信！！！ By AI小怪兽
03-17 6280
yolov5/Yolov7加入解耦头Decoupled_Detect，提升检测精度
YOLO中的NMS
WaitFoF
12-16 5049
YOLO中的NMS 对于每一个种类的概率，比如Dog，我们将所有98个框按照预测概率从高到低排序（为方便计算，排序前可以剔除极小概率的框，也就是把它们的概率置为0），然后通过非极大抑制NMS方法，继续剔除多余的框： NMS方法在这里如何运行呢？ 1）首先因为经过了排序，所以第一个框是概率最大的框（下图橘色）。然后继续扫描下一个框跟第一个框，判断是否IOU大于0.5： 如果IOU大于0.5，那么第二个框是多余的，将它剔除： 继续扫描到第三个框，它与最大概率框的IOU小于0.5，保留： 继续扫描到第四个
YOLOX原始论文精读
热门推荐
ELSA001的博客
11-20 1万+
由于最近需要对YOLOX的理论部分进行深入的理解，因此我需要查看YOLOX的相关论文，但YOLOX是最近新出的目标检测算法，但我发现我无法查看YOLOX相关的见刊论文，因此我只能好好深入理解它的原始论文。但我的理解可能比较浅薄，希望各位大佬在查看这篇文章的时候可以及时纠正我的错误。 以下是旷视科技所提供的YOLOX的GitHub开源代码： Pytorch版：https://github.com/Megvii-BaseDetection/YOLOX MegEngine版：https://github.com/
YOLOX系列文章（一）：先来看看论文
机器视觉全栈er的博客
07-20 5626
YOLOX系列文章（一）：先来看看论文YOLOX论文新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 注：个人水平有限，如有错误，敬请批评指正。 YOLOX论文 论文：https://arxiv.org/pdf/2107.0
论文记录2_YOLOX
zxm_的博客
09-30 2698
注：此文为阅读笔记，参考了很多论文，博客，如有侵权请联系，我附上原出处。 文章目录YOLO X创新点网络架构BackboneNeckHeadStrong data augmentationAnchor-free YOLO X 论文：https://arxiv.org/pdf/2107.08430.pdf github地址：https://github.com/Megvii-BaseDetection/YOLOX 其他大佬自己实现博客：https://blog.csdn.net/weixin_44791964
【实例分割】2、SOLOv2：Dynamic，Faster and Stronger
呆呆的猫的博客
04-15 3415
文章目录一、背景二、相关工作三、重看 SOLOv1四、SOLOv24.1 Dynamic Instance Segmentation4.1.1 Mask kernel branch4.1.2 Mask feature branch 论文链接：https://arxiv.org/abs/2003.10152 代码链接：http://github.com/WXinlong/SOLO 一、背景 在 S.........
rtklib源码阅读笔记
最新发布
12-17
在阅读RTKLIB源码时，我注意到它的代码结构十分清晰，模块化程度高，使得阅读和理解起来相对容易。在代码中，我找到了许多对GNSS数据进行处理的算法和方法，比如载波相位平滑和双频解算等。 在阅读RTKLIB源码时，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
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