YOLOF：You Only Look One-level Feature

发表于 更新于 分类于 ， 阅读次数： 本文字数： 1.3k 阅读时长 ≈ 1 分钟

YOLOv3-YOLOv5均是采用FPN的多尺度特征(C3-C7)做目标预测，YOLOF则反其道而一种仅用一个尺度(C5)就能达到多级检测的方法

什么是YOLOF?

  • YOLOF-20230408141709
  • YOLOv3-YOLOv5均是采用FPN的多尺度特征(C3-C7)做目标预测，YOLOF则反其道而一种仅用一个尺度(C5)就能达到多级检测的方法
  • YOLOF通DilatedEncoder模块结构扩大感受野，实现多尺度融合的效果；通Uniform matching正负样本分配确保正负样本被均匀分配

YOLOF的网络结构？

  • YOLOF-20230408141710
  • Backbone： 采用经典的ResNet和ResNeXt，选取的特征图是C5，通道数为2048且下采样率为32
  • Encoder：使DilatedEncoder模块，包含4个具有不同系数(2、4、6、8)的空洞卷积残差块
  • Decoder： RetinaNet类似，它包含两个并行的head分支，用于目标分类和边框回归任务， 为回归分支的每个anchor增加一个隐式的objectness（没有直接监督），最终的分类置信度由分类分支的输出和objectness得分相乘得到

YOLOF的DilatedEncoder模块？

  • YOLOF-20230408141711
  • 目标检测的多尺度融合：主要使空间金字塔池化(SpatialPyramidPooling,SPP)、特征金字塔网络(FeaturePyramidNetwork,FPN)、PAN等模块进行，但是 YOLOF 的出发点就是不采用任何的融合方法，所以不使用这些结构
  • 融合多尺度特征后做单 head 预测：位于多尺度特征融合与 DilatedEncoder 模块之间，这种方法相比较 DilatedEncoder 更为复杂，分支越多，推理速度越慢
  • YOLOF利用空洞卷积搭建一个具有多个感受野的模块，他串联 4 个具有不同系数 (2、4、6、8) 的空洞卷积，并结合残差连接将两种不同感受野结合起来。C5 的特征经过 DilatedEncoder 模块后，得到的 P5 包含多个感受野下的特征

YOLOF 的 UniformMatcher正样本分配？

  • 一般基于IOU的标签分配方法，使得大物体匹配很多的anchor，小物体相对较少，这在多级检测的可以缓解这个问题，但是对于YOLOF单级检测就不行了
  • 为了解决正负样本分配问题的方法，对于给定的target，计算他与所有anchor的L1距离，保留topk的结果，再结合IOU>0.15筛选得到每个target的anchor。理想情况下，每个target都公平匹配上K个样本
  • 在训练阶段，为了保证训练的稳定，YOLOF在 Max-IoU 匹配之后，设置 IoU 阈值以忽略大 IoU (>0.7) 负锚和小 IoU (<0.15) 正锚。比如当前标签是猫，网络预测了一个狗的标签（负样本，因为预测得不对），而这个狗的框和猫的真实框的IoU超过了0.7，那我们就忽略它的类别损失，不去回归。这种在训练过程中的动态调整有助于稳定YOLOF的训练，可以提升性能

YOLOF的anchor的设置？

  • YOLOF 最终只采用了面积为 32、64、128、256、512 这 5种大小的配置，且每一种配置下的长宽比仅是 1：1，没有 RetinaNet中的 1：3 和 3：1 这些长方形配置

YOLOF 的损失函数？

  • 类别损失：Focal loss
  • 位置损失：GIoU loss