一个专做里番的网站,做一个网站维护多少钱,深圳网站设计兴田德润i简介,菏泽微信小程序制作#x1f4a1;#x1f4a1;#x1f4a1;本文独家改进#xff1a;基于Wasserstein距离的小目标检测评估方法
Wasserstein Distance Loss | 亲测在多个数据集能够实现涨点#xff0c;对小目标、遮挡物性能提升明显
#x1f4a1;#x1f4a1;#x1f4a1;MS COCO和PASC… 本文独家改进基于Wasserstein距离的小目标检测评估方法
Wasserstein Distance Loss | 亲测在多个数据集能够实现涨点对小目标、遮挡物性能提升明显
MS COCO和PASCAL VOC数据集实现涨点
YOLOv9魔术师专栏
☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️
包含注意力机制魔改、卷积魔改、检测头创新、损失IOU优化、block优化多层特征融合、 轻量级网络设计、24年最新顶会改进思路、原创自研paper级创新等
☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️
✨✨✨ 新开专栏暂定免费限时开放后续每月调价一次✨✨✨ 本项目持续更新 | 更新完结保底≥80 冲刺100 联系WX: AI_CV_0624 欢迎交流
⭐⭐⭐现更新的所有改进点抢先使用私信我目前售价68改进点20个⭐⭐⭐
⭐⭐⭐专栏涨价趋势 99 -199-259-299越早订阅越划算⭐⭐⭐ YOLOv9魔改注意力机制、检测头、blcok魔改、自研原创等 YOLOv9魔术师
全网独家首发创新原创适合paper 2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8等各个Yolo系列专栏文章提供每一步步骤和源码轻松带你上手魔改网络
重点通过本专栏的阅读后续你也可以设计魔改网络在网络不同位置Backbone、head、detect、loss等进行魔改实现创新 1.YOLOv9原理介绍
论文 2402.13616.pdf (arxiv.org)
代码GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information摘要 如今的深度学习方法重点关注如何设计最合适的目标函数从而使得模型的预测结果能够最接近真实情况。同时必须设计一个适当的架构可以帮助获取足够的信息进行预测。然而现有方法忽略了一个事实即当输入数据经过逐层特征提取和空间变换时大量信息将会丢失。因此YOLOv9 深入研究了数据通过深度网络传输时数据丢失的重要问题即信息瓶颈和可逆函数。作者提出了可编程梯度信息programmable gradient informationPGI的概念来应对深度网络实现多个目标所需要的各种变化。PGI 可以为目标任务计算目标函数提供完整的输入信息从而获得可靠的梯度信息来更新网络权值。此外研究者基于梯度路径规划设计了一种新的轻量级网络架构即通用高效层聚合网络Generalized Efficient Layer Aggregation NetworkGELAN。该架构证实了 PGI 可以在轻量级模型上取得优异的结果。研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。结果表明与其他 SOTA 方法相比GELAN 仅使用传统卷积算子即可实现更好的参数利用率。对于 PGI 而言它的适用性很强可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。对比结果如图1所示。
YOLOv9框架图 1.1 YOLOv9框架介绍
YOLOv9各个模型介绍
1.Wasserstein Distance Loss介绍 论文名称《A Normalized Gaussian Wasserstein Distance for Tiny Object Detection》 作者Jinwang Wang、Chang Xu、Chang Xu、Lei Yu 论文地址https://arxiv.org/abs/2110.13389
小目标检测是一个非常具有挑战性的问题因为小目标只包含几个像素大小。作者证明由于缺乏外观信息最先进的检测器也不能在小目标上得到令人满意的结果。作者的主要观察结果是基于IoU (Intersection over Union, IoU)的指标如IoU本身及其扩展对小目标的位置偏差非常敏感在基于Anchor的检测器中使用时严重降低了检测性能。 为了解决这一问题本文提出了一种新的基于Wasserstein距离的小目标检测评估方法。具体来说首先将BBox建模为二维高斯分布然后提出一种新的度量标准称为Normalized Wasserstein Distance(NWD)通过它们对应的高斯分布计算它们之间的相似性。提出的NWD度量可以很容易地嵌入到任何基于Anchor的检测器的Assignment、非最大抑制和损失函数中以取代常用的IoU度量。
1分析了 IoU 对微小物体位置偏差的敏感性并提出 NWD 作为衡量两个边界框之间相似性的更好指标
2通过将NWD 应用于基于锚的检测器中的标签分配、NMS 和损失函数来设计强大的微小物体检测器
3提出的 NWD 可以显着提高流行的基于锚的检测器的 TOD 性能它在 AI-TOD 数据集上的 Faster R-CNN 上实现了从 11.1% 到 17.6% 的性能提升 具体来说对于6×6像素的小目标轻微的位置偏差会导致明显的IoU下降(从0.53下降到0.06)导致标签分配不准确。然而对于36×36像素的正常目标IoU略有变化(从0.90到0.65)位置偏差相同。此外图2给出了4条不同目标尺度的IoU-Deviation曲线随着目标尺度的减小曲线下降速度更快。值得注意的是IoU的敏感性来自于BBox位置只能离散变化的特殊性。 Wasserstein distance的主要优点是
无论小目标之间有没有重叠都可以度量分布相似性;NWD对不同尺度的目标不敏感更适合测量小目标之间的相似性。
NWD可应用于One-Stage和Multi-Stage Anchor-Based检测器。此外NWD不仅可以替代标签分配中的IoU还可以替代非最大抑制中的IoU(NMS)和回归损失函数。在一个新的TOD数据集AI-TOD上的大量实验表明本文提出的NWD可以持续地提高所有检测器的检测性能。
2.加入到YOLOv9
2.1实现路径为utils/metrics.py
def Wasserstein(box1, box2, xywhTrue):box2 box2.Tif xywh:b1_cx, b1_cy (box1[0] box1[2]) / 2, (box1[1] box1[3]) / 2b1_w, b1_h box1[2] - box1[0], box1[3] - box1[1]b2_cx, b2_cy (box2[0] box2[0]) / 2, (box2[1] box2[3]) / 2b1_w, b1_h box2[2] - box2[0], box2[3] - box2[1]else:b1_cx, b1_cy, b1_w, b1_h box1[0], box1[1], box1[2], box1[3]b2_cx, b2_cy, b2_w, b2_h box2[0], box2[1], box2[2], box2[3]cx_L2Norm torch.pow((b1_cx - b2_cx), 2)cy_L2Norm torch.pow((b1_cy - b2_cy), 2)p1 cx_L2Norm cy_L2Normw_FroNorm torch.pow((b1_w - b2_w)/2, 2)h_FroNorm torch.pow((b1_h - b2_h)/2, 2)p2 w_FroNorm h_FroNormreturn p1 p2
2.2 utils/loss_tal_dual.py
训练方法为 train_dual因此本博客以此展开
1首先进行注册
from utils.metrics import Wasserstein
1修改class BboxLoss(nn.Module): ⭐⭐⭐现更新的所有改进点抢先使用私信我目前售价68改进点20个⭐⭐⭐
⭐⭐⭐专栏涨价趋势 99 -199-259-299越早订阅越划算⭐⭐⭐
