YOLOX-单阶段目标检测模型

YOLOX

来逐个看看YOLOX堆了哪些trick：

1, 数据增强，使用了Mosaic 和 MixUp。Mosaic在YOLOv4及v5就用过了。MixUp也是比较常用的方法。

2，Anchor-free。样本不再是anchor而是point(或者说grid)。

3，Multi positives，将gt中心区域的点定义为正样本,其实就是FCOS中的center sampling。

4，SimOTA，来源于自家的工作OTA。这里改了个简化版本叫SimOTA。具体是干什么呢？3之后一个gt匹配了n个正样本，SimOTA再从中选取k个loss最小的作为最终的正样本，loss为cls loss和iou loss的加权和。根据loss分配样本也是最近流行的做法了。此外，SimOTA中k是根据gt动态确定的(称为Dynamic k)，和匹配度高的正样本数量成正相关。Dynamic k其实比较intutive,很难经受时间的考验。

5, 双头解耦

• Label Assignment论文keypoint:

  1). loss/quality aware, —→计算出来的loss指标啥的

  2). center prior, ——→靠近GT中心的样本标记为正样本，其余为负样本

  3). dynamic number of positive anchors4 for each ground-truth (abbreviated as dynamic top-k),——>每个GT可能分配到不同数目的正样本anchor(准确不是anchor，是grid或者是point)

  4). global view. OTA meets all four rules above, hence we choose it as a candidate label assigning strategy.——>挑OTA中的部分label assignment策略来进行最优传输，所以是简化版最优传输。【不知道在说什么，不就是按照指标送东西吗】

总的来说，创新很少，价值主要体现在工程上。就这样吧。