PP-YOLO优化策略详解

Large Batch Size

IOU Loss

• 优化点
  . IOU检测框定位精度标准；所见即所得，将-IoU加入loss全家桶
  

IOU Aware

• 准确的检测框score不高，反而被NMS滤除，score=objectness*classification，将定位精度指标加入score中
  

Gird Sensitive

• 真实框中心坐标落在网格边缘时，会倾向于向将logits加负无穷或正无穷（同label smooth）
• YOLOv4作者中引入Gird Sensitive，计算中心坐标是，加上一个偏移和缩放
  

Matrix NMS

• Soft NMS是直接抑制->惩罚系数。NMS直接抑制了分数低的预测框，对于靠近的同类别物体会出现误抑制的情况
  
• Matrix NMS是并行计算优化速度
  
  

Coord Conv

• 卷积只感知卷积核对应的感受野，同时感知全局坐标；增加两个通道，传入x，y坐标信息。
• 效果：预测速度影响较小（74.8->4.1 FPS），精度提升0.5（43.5->44.0）
  

SPP

• 不同尺度的池化窗口提取特征，见小也见大
• 效果：预测速度影响较小（74.1->72.9 FPS），精度提升0.3（44.0->44.3）
  

SSLD

• 具有更有的backbone提取特征，PaddleClas发布的SSLD知识蒸馏模型，各模型在ImageNet上分类精度普遍提升>=3%
• 效果：预测速度不变（74.192.9FPS），精度提升0.5（44.0->44.8）