【tph-yolov5】论文简读

论文名称： TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios
论文下载地址：https://arxiv.org/abs/2108.11539
代码运行参考博客：https://blog.csdn.net/zztjl/article/details/123870061添加链接描述

一、摘要

概述了模型解决的问题域，以及tph-yolov5主要模块。

问题域：主要针对无人机图像检测。无人机拍摄图像相比一般目标检测图像的检测难点有：

• 飞行高度变化导致目标尺度变化剧烈，增加模型负担
• 快速低空飞行造成密集目标区域的运动模糊，给目标区分带来挑战。

模型：本文模型在yolov5的基础上，提出了不同的模块以解决上述问题。

• 增加了一个预测头检测不同尺度的目标
• 使用TPH（Transformer Prediction Heads）代替原始预测头，开发自注意力机制的预测潜力（这里后面可以再看看，还是有点不明白）
• 使用CBAM（Convolutional block attention model）发现密集目标的注意区域
• 采用了一系列tricks：数据增强、多尺度测试、多模型融合、额外分类器等

训练集及结果
数据集：VisDrone2021
实验结果：VisDrone2021挑战赛第五名（AP39.18%），与第一名（AP39.43%）差距很小。

二、Introduction

2.1 直接使用常规目标检测模型检测无人机图像存在的挑战：

• 尺度变化问题：飞行高度的改变导致目标尺度变化剧烈
• 高密度：无人机图像包含密集目标对象，对象间产生遮挡
• 困惑目标：无人机图像因为覆盖范围大往往包含许多令人困惑的地理元素
  
  2.2 本文训练过程示意图
  网络组成：
• backbone: CSPDark-net53；neck：PANet(path aggregation network).和YOLOV5版本一致
• detection heads：tiny、small 、medium、large objects（引入了tiny object dectection head）
• TPH代替原始预测头，可以在高密度场景准确定位目标
• CBAM寻找图片中的attention region
• tricks：训练时采用数据增加，增加模型对目标尺度变化的鲁棒性；推理阶段，采用ms-testing和multi-model ensemble策略；引入了一个自训练分类器（ResNet 18）来提高模型的分类能力。（此分类器的训练数据来自原始训练数据的裁剪补丁???）

三、相关工作

3.1 数据增强：光度畸变、几何畸变；MixUP、Mosaic、传统方法。

3.2 Multi-Model Ensemble Method
就是ensemble来自不同检测模型的boxes方法：NMS、Soft-NMS、WBF。

3.3 TPH-Yolov5

• Prediction head for tiny objects：发现Visdrone2021数据集中存在很多极小实例目标，增加了一个额外的tiny目标检测头用于tiny物体检测。
• Transformer encoder block：捕获全局信息和上下文信息，替换掉一些卷积层，在处理密集场景中的物体时表现更好；将transformer encoder blocks 放在backbone的尾部以及head部分的原因是为了特征图分辨率较低，能够有效降低昂贵的计算和内存成本。
• CBAM：在处理令人困惑的地理区域时，使模型更好的专注于有用的目标对象。
• Ms-testing and model ensemble：模型输入有六种不同的图片尺寸，使用NMS融合预测结果，在不同模型上，使用WBF得到最后结果。
• self-trained classifier：选择ResNet18 作为分类网络，加强网络分类能力。

四、实验

4.1基础环境
Pytorch 1.8.1、显卡：RTX3090
4.2 实现细节

• pre-trained：yolov5x（成本比较高，自己可以用yolov5s，感觉精度相差应该不大）
• 65 epochs，前两个用于warm-up
• 优化器：adam optimizer
• 初始学习率：3e-4，最后一个epoch降为初始的0.12
• 输入图片比较大（1536*1536），batch size为2

4.3 细微调整

• 对部分极小的标签（小于3个像素）使用灰色方框进行遮挡。准确率提高0.2%。参考连接：https://blog.csdn.net/wxd1233/article/details/120171037