【目标检测】|PPYOLOE

首先PP-YOLOE-l 在COCO数据集上达到了51.4mAP。相比较PP-YOLOv2提升1.9AP和13.35%的速度，相比较YOLOX提升1.3AP和24.96%的速度。

而PP-YOLOE中主要的改进点是：anchor-free，powerful backbone and neck，TAL动态label assign，ET-head。

PP-YOLOE避免使用变形卷积[3，34]和matrixNMS[28]等操作符，以在各种硬件上得到很好的支持。

anchor free

作者使用PP-YOLOv2（49.1%mAP）作为baseline。作者认为，使用了anchor free之后，即使进行了一些精心设置，但是由于anchor base和anchor free赋值结果不一致，仍然带来了0.3%的AP降低。

而PPYOLOE中的anchor free方法，主要就是将之前anchor base中预测相较于anchor的xywh，改进为预测ltrb(left,top,right,bottom)，并将ltrb结果乘上当前特征图的stride。

Backbone

密集连接聚合了具有不同感受野的中间特征，在目标检测任务中表现出良好的性能。

CSPNet【27】利用跨级密集连接来降低计算负担，同时又不损失精度，这在YOLOv5、YOLOX等有效对象检测器中很受欢迎。提出RepResBlock，它将剩余连接和密集连接相结合

主干名为CSPRepResNet，包含一个由三个卷积层和四个后续阶段组成的主干，由我们的RepResBlock堆叠，如图3（d）所示。在每个阶段中，采用跨阶段部分连接，避免了大量3×3卷积层带来的大量参数和计算负担.

Efficient Task-aligned Head

为了解决分类任务与定位任务冲突的问题，YOLOX中采用了Decoupled head结构。但作者认为Decoupled head结构会使分类和定位任务分离独立，缺乏任务特异性学习，故提出了ET-head，ET-head可提升精度0.5mAP。

改进点：

①相比较TOOD，使用ESE block替换layer attention。

②分类分支添加了shortcut。

③回归分支使用distribution focal loss(DFL)。

④分类分支使用varifocal loss (VFL)。VFL使用目标分数来衡量正样本的损失。这种实现使得IoU较高的正样本对损失的贡献相对较大。这也使得模型在训练时更加关注高质量的样本，而不是那些低质量的样本。

label assign方式

作者使用的是TAL算法来进行正负样本分配，而TAL出自于论文TOOD中。TOOD中提出的TAL进一步解决了分类和定位分支不对齐的问题。

实验

ref
https://zhuanlan.zhihu.com/p/505992733