4实验
4.1 SOTA结果对比
4.2 消融实验
1、CSP-PAN
首先得到与NanoDet相似的Base模型，Backbone采用ShuffleNetV2-1x ，Neck采用无卷积的PAN，Loss采用标准GFL Loss，标签分配策略采用ATSS。所有激活函数都使用LeakyRelu。得到的mAP(0.5:0.95)是25.3。
进一步，采用了CSP-PAN结构。特征图比例尺为3。(0.5:0.95)增加到28.1。最后，我们在CSP-PAN的顶部添加了一个特征scale。就像CSP-PAN的最终结构一样，参数的数量增加了不到50K。mAP(0.5:0.95)被进一步改进到29.1。
2、Loss
在前一节中，在相同配置下比较了Varifocal Loss (VFL)和Quality Focal Loss (QFL)的影响。两者的影响是相近的，Varifocal Loss仅略好于Quality Focal Loss。将QFL替换为VFL, mAP(0.5:0.95)从29.1提高到29.2。
3、Label Assignment Strategy
在前一节的相同配置下，用原始的SimOTA和修改的SimOTA替换ATSS。发现n越大效果越差。然后将参数n设置为10。ATSS的性能与原SimOTA几乎相同。修改的mAP (0.5:0.95) SimOTA达到30.0。
4、ESNet Backbone
5、H-Swish激活函数
最后，替换所有LeakyRelu为H-Swish激活函数，mAP(0.5:0.95)最终增加到30.6。
6、检测结果可视化
img
5参考
[1].PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices
