YOLOX: Exceeding YOLO Series in 2021

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun

• 中國創視科技團隊所發表。
• 以YOLOv3(YOLOv3-SPP)為基底進行修改。
• 並以Darknet53的YOLOv3為Baseline。
• 個人認為本篇論文主要的亮點是提出Anchor Free的YOLO方法

論文當中有很多訓練時手動設定的一些超參數細節，因為跟技術無關，所以我就沒有花費額外篇幅進行說明。

YOLOv3 baseline:

• 沒有使用隨機縮放裁切(RandomResizedCrop)，因為發現類似於與Mosiac影像擴增方法。

YOLOX提出採用的方法:

• Decouple Head:

  

  • 作者說明在物件偵測任務上，分類任務和回歸任務會產生衝突，會對收斂速度產生影響，因此作者將分類以及回歸任務分開做。

    

• Anchor-Free:

  • 作者認為anchor-based方法的問題:
    • 在訓練前需要事先決定anchor大小，不同domain，最佳的anchor box大小也不一樣。
    • 會增加detection head的複雜度。
  • 實作時，原先每個位置會預測三個bounding box，現在只預測一個，同樣有四個數值:grid cell左上角座標，以及Bounding Box的長跟寬。

• Multi Positive:

  • 只輸出一個Bounding Box可能會忽略掉其貼高品質的Bounding Box；然而我們去優化這些高品質的Bounding Box可以減緩正樣本與負樣本不平衡的負面影響，並且對梯度帶來效益。因此YOLOX這邊將輸出正樣本周圍的3×3的範圍都是為正樣本。

• SimOTA(Simple Optimal Transportation Assignment):

  • 正確解答(Groundtruth)和預測結果的cost:。
  • 會在GroundTruth為中心點向四周擴大3×3或是5×5的範圍，落在該範圍內的預測結果稱為Positive，落在該範圍外的結果為Negative。

• 使用較強的影像擴增技術:

  • Mosiac、MixUp
  • 發現使用強影像擴增技術後，採用ImageNet預訓練模型進行訓練結果不會有任何提升，因此YOLOX都是重頭開始訓練起，沒有採用預訓練模型。

實驗結果

• 消融實驗:

  

• 與其他方法比較:

  

• 其他YOLO系列方法比較:

  

文章使用之圖片擷取自該篇論文