yolox的正负样本分配策略mmdet代码详解

以mmdet为例，正负样本分配的核心代码在YOLOXHead中的MlvlPointGenerator，SimOTTAssigner，PseudoSampler，_bbox_decode中，其中核心代码在SimOTTAssigner.

yolox是解耦头，输入fpn之后给出的是cls_score：(8,2,80,80)，（8,2,40,40），(8,2,20,20)，bbox_pred：(80,4,80,80)，(80,4,40,40)，(80,4,20,20)，objectness：(80,1,80,80)，(80,1,40,40)，(80,1,20,20)，3个特征图，每个特征图都有3个head，不再组装成一个长head。

1.MlvlPointGenerator.grid_prior

这里面不存在对每个网格生成anchor的操作，yolox是anchor-free的，这里面anchor的生成实际上是点的生成，一共生成了80*80+40*40+20*20=8400个网格点，或者叫大小为1的anchor，同fcos。

2._bbox_decode

对预测分支的预测值和前面生成的点做了组合。

3.YOLOXHead.SimOTTAssigner

yolox的核心，如何给8400个特征图上的点，原图上的框进行正负样本的分配

1.计算所有在gt bbox内部的anchor点的掩码is_in_gts_all;

2.利用center_radius阈值重新计算在gt bbox中心center_radius范围内的anchor点掩码is_in_centers_all;

3.两个掩码取并集得到在gt bbox内部或处于center_radius范围内的anchor点的掩码is_in_boxes_anchor，同时可以取交集得到每个gt bbox和哪些anchor点符合gt bbox内部和处于center_radius范围内的is_in_boxes_and_centers

若此时获取到is_in_gts_or_center：8400，is_In_boxes_and_center：1596,58

1.valid_mask是前面计算出的is_in_boxes_anchor,如果某个位置是True代表anchor点是前景即落在gt bbox内部或者在距离gt bbox中心center_radius半径范围内，这些True位置就是正样本候选点

2.利用valid_mask提取对应的预测信息，num_gt是58，一共提取了1596个候选预测位置，则每个gt bbox都会提取1596个候选位置

3.计算候选预测框和gt bbox的配对iou，然后加log和负数，变成iou的代价函数

4.计算候选框和gt bbox的配对分类代价，同时考虑了objectness预测分支，并且其分类cost在binary_cross_entropy前有开根号的训练trick，

5.is_in_boxes_and_center是(1596,58),如果某个位置是True表示anchor点落在gt bbox内部并且在距离gt bbox中心center radius半径范围内。在计算代价函数时，如果改预测点是False,表示不在交集内部，那么不太可能是候选点，所以给予一个非常大的权重100000，该操作可以保证每个gt bbox最终选择的候选点不会在交集外部

SimOTTAssigner.dynamic_k_matching

4.PseudoSampler.sample

5.loss

yolox的正负样本分配策略mmdet代码详解相关推荐

基于机器学习的恶意样本静态检测的代码详解(ember)
文章目录 1. 类与类之间的关系 2. 每个类的详细分析 2.1 ByteHistogram 2.2 ByteEntropyHistogram 2.3 SectionInfo 2.4 ImportsI ...
yolov7正负样本分配详解
来源:知乎-骚骚骚地址:https://zhuanlan.zhihu.com/p/543160484 整体上在正负样本分配中,yolov7的策略算是yolov5和YOLOX的结合. 首先大概回顾一下 ...
YOLOv7 | 模型结构与正负样本分配解析
如有错误,恳请指出. Yolov7的原作者就是Yolov4的原作者.看论文的时候看到比较乱,这里可能会比较杂乱的记录一下我觉得有点启发的东西.对于yolov7的代码,我也没有仔细的看,只是大概的看了下 ...
yolo 负样本_目标检测正负样本区分策略和平衡策略总结(二)
0 简介本文抛弃网络具体结构,仅仅从正负样本区分和正负样本平衡策略进行分析,大体可以分为正负样本定义.正负样本采样和平衡loss设计三个方面,主要是网络预测输出和loss核心设计即仅仅涉及网络的he ...
来FAL学风控|风控策略分析师的日常是怎样的？（案例+代码详解篇）
风控策略分析师的日常是怎样的?(案例+代码详解篇) FAL金科应用研究院做了5年的金融,3年的数据分析工作,从17年6月才真正接触代码,算不到熟练,但在不断的学习和工作实践中目前是可以解决任何问题的 ...
天津理工大学《操作系统》实验二，存储器的分配与回收算法实现，代码详解，保姆式注释讲解
天津理工大学<操作系统>实验二,存储器的分配与回收算法实现,代码详解,保姆式注释讲解实验内容 1．本实验是模拟操作系统的主存分配,运用可变分区的存储管理算法设计主存分配和回收程序,并不 ...
Faster RCNN代码详解（五）：关于检测网络（Fast RCNN）的proposal
在Faster RCNN代码详解(二):网络结构构建中介绍了Faster RCNN算法的网络结构,其中有一个用于生成ROI proposal target的自定义层,该自定义层的输出作为检测网络(Fa ...
Make your own Neural NetWork之代码详解中
这篇博客接上一篇博客Make Your Own Neural Network之代码详解上.本文也是出自Make your own Neural NetWork这本书.上一篇博客讲了神经网络类的功能模块 ...
深入浅出吃透多线程、线程池核心原理及代码详解
一.多线程详解 1.什么是线程线程是一个操作系统概念.操作系统负责这个线程的创建.挂起.运行.阻塞和终结操作.而操作系统创建线程.切换线程状态.终结线程都要进行CPU调度--这是一个耗费时间和系统资 ...

yolox的正负样本分配策略mmdet代码详解

yolox的正负样本分配策略mmdet代码详解相关推荐

最新文章

热门文章