YOLOX：SimOTA算法细节

        SimOTA的思想是：以最小的代价cost得到最好的学习效果。

 

        SimOTA首先进行预筛选，与FCOS类似，YOLOX有一个类似于FCOS中subbox的概念，称为fixed center area，也就是说，当样本点同时落入GT和fixed center area时，才会通过筛选，如下图所示，橙色√为通过筛选的样本点。下图引用自@太阳花的小绿豆。

        计算prediction-gt对的匹配度，即这个对(pair)的cost，计算公式为：

        其中λ为平衡系数，Lcls为gt和prediction之间的类别损失，Lreg为gt和prediction之间的回归损失。在代码中并未按这个公式计算，代码中的计算如下所示：

cost = (
            pair_wise_cls_loss
            + 3.0 * pair_wise_ious_loss
            + 100000.0 * (~is_in_boxes_and_center)
        )

         然后开始构建矩阵，一个矩阵是筛选出的样本点与所有GT的cost矩阵，另一个矩阵时筛选出的样本点与所有GT的IoU矩阵，如下图所示：

        IoU矩阵横向求和并向下取整后得到的值即为该GT所要分配的正样本数k，这种策略在OTA一文中称为dynamic k estimation。对于GT1而言，需要分配3个正样本，那么在cost矩阵中GT1一行中将cost由小到大排序后选择前三个样本点作为正样本，即样本点1、样本点6、样本点2。以此类推对GT2和GT3的正样本进行分配。

        值得注意的一种特殊情况是：若某一个样本点被同时分配给了多个GT，比如样本点3倍同时分配给了GT2和GT3，那么这时候那个GT的cost小，就由哪个GT进行分配。

        YOLOX论文链接：YOLOX: Exceeding YOLO Series in 2021​​​​​​​

        OTA论文链接：OTA: Optimal Transport Assignment for Object Detection（孙剑大佬：想不到吧，YOLOX是我写的，OTA还是我写的）