object detection basic Q&A - 草稿

----* YoloX -------------------------------------

• yolox解读
• YOLOX-L: COCO上AP： 50.0% －比 Yolov5-L高出1.8%的AP,Tesla V100 68.9 FPS
• YOLOX-Tiny(0.91M参数) 比 YOLOv4-Tiny 高10% AP
• YOLOX－Nano (1.08G) 比
• 网络结构，head，数据增强，学习率方面都有哪些设计？--yolov3spp-----spp组件是什么？
• IoU-aware 分支是什么。
• decoupled head是什么？ 解耦提升了多少AP
• 哪些数据增强在最后多少epochs被关闭？
• 预训练的模型是否会失效？
• 训练小的YOLO－x模型的时候有哪些特性需要关闭？
• YOLOX 是anchor based 还是 anchor free的
• 正样本的选择方式：中心点，Multi positives, simOTA. 每个导致了多少的长点？
• OTA: Optimal Transport Assignment
• SimOTA 是如何自动决定特征图的？
• SimOTA讲解
  ----* YOLOX 原始论文----------
• anchor free ---* decoupled head---* SimOTA: a label assignment strategy,---* YOLOXDarknet53对标YOlov3-SPP, YOLOX-L对比YOLOv5-L,两者都有CSPNet---* 300epochs,5 epochs 为warmup－－－－* SGD,lr=0.01,cos方式减小lr, weight decay0.0005,momentum=0.9----* 测试速度用的是FP16,-----* IOU aware branch, EMA weights updating---* Mosaic, MixUp，导致ImageNet pretrain失效---* 本文列举anchor based两个问题:一是cluster出来的anchor与数据集相关不能泛化; 二是anchor带来大量的数据需要从NPU拷贝到CPU，端侧部署延迟大。---* 本文列举anchor free的2条优点: 参数少，不用调试;简化了训练过程-----* YOLOX 怎么做到anchor free 的？每个location不再预测三个而是预测1个；预测bbox 中心到grid左上角的偏移+bbox的height，width；像FCOS 一样设置positive sample----* Multi positives ,物体中心的3x3作为pos,这个技巧在FCOS里面叫做 center sampling-----* SimOTA: 4个主要思想是什么？loss/quality aware; center prior; dynamic number of pos anchors; global view. 而YOLOX里面用的不是OTA，而是用dynamic top-k 策略，来得到一个近似的最优分配----* OT 是什么Optimal Tranport ----* SimOTA 计算过程：pair-wise matching(就是每个pred-gt算cost，cost包括cls和reg两种loss)，选择综合loss最小的top-k个pred
  ----* YOLOX 在mmdetection中复现全流程解析----------------------------------
• anchor free, 更少先验，减少复杂的超参数，推理高效 －－－－－* decoupled head. 参考了FCOS，增加了Objectness－－* Simota 和 Multi positives能加快收敛----nesterov
  ---- 些介绍SGD， momentum， NAG的文章-----------
• Momentum的公式-------* NAG的公式,收敛速度比Momentum快，NAG公式的等效形式
  ----* YOLO系列-----------------------
• yolo系列
  *yolov3的网络结构是什么样的呢？------
• Yolov4 在back bone和head中各使用什么激活函数？---5个基本组件的结构－－CSP Darknet53--- * CSP 模块： cross stage partial network， 使用的原因(v3会有梯度信息重复，而加入了CSP之后就没有了) ---* Mish 函数的公式。 曲线像leaky_relu------* Top-1,Top-5 ----- * Dropblock功能是什么？解决了conv与全连接的什么不同导致的什么模块不好使的问题? ---- * cutout --- * Neck里用的SPP模块和 FPN+PAN ---- * SPP模块的框图，四条分支，卷积核是什么？SPP在框图上的位置。好的原因(与单纯的maxpooling比保留了更多的上下文)－－－* PAN 与 PANet， * 608，76，38，19 尺度 -----* PAN 加在 FPN 的什么地方？怎么加入强语义特征？怎么加入强定位特征？Yolov4的PAN用的是shortcut还是concat？－－ * Bounding box regression loss 的发展过程是什么？每种loss的问题是什么？每种IOU的公式是什么？每种IOU的loss的公式是什么？每种IOU的值域是什么？不相交的时候IOU的值是什么？对NMS过程有什么改进 --- * cmBN是什么呢？----SAT自对抗训练---Masaicb：小目标
• 某个微信公众号讲解YOLOX代码及使用心得
• 如何更好的设置学习率？
• [anchor free 有什么缺点]https://www.zhihu.com/question/364639597)
• Faster Rcnn的RPN是用来做什么的？--* 正负样本不平衡.哪些网络有这个问题----语义模糊性---- focal loss----* anchor based 和 anchor free 都有正负样本不均衡的问题，---* FCOS结构是anchor free的#---划分正负样本的方法，最少4种--- 网格与OHEM，focal loss----哪些模型有objectness的预测，哪些没有，它有什么好处？----- 也提到了随机采样----什么样的anchor是比较好的呢？与GT的IOU在0.5以上----单尺度的anchor free 与多尺度的anchor free 解决问题是什么？----* anchor free与anchor based 比较，其的 recall 高.precision低，解空间大，但效果不稳定，得到的框置信度都偏低，对backbone的要求较大，没有那么好train，-----* keypoint based 算法举例2个， pixel wise的方法举例一个*----
• ------KLDiv Loss---------
  cross entropy + NLLLoss + KLDivloss
  • 贝努利分布的公式, 投硬币的公式---* 什么是似然函数?需要最大化还是最小化?----* 累乘的结构,通常都要对数化变成累加 ---* 为什么很多loss函数都有log? ---* KL DivLoss 的公式?----* 信息熵公式是什么?意义是什么?-----* 交叉熵的意义是什么?