介绍

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

摘要

近年来，基于深度学习的人脸检测算法取得了很大进展。这些算法一般可以分为两类，即像 Faster R-CNN 这样的两阶段检测器和像 YOLO 这样的单阶段检测器。由于在准确性和速度之间更好的平衡，单阶段检测器已在许多应用中得到广泛使用。在本文中，我们提出了一种基于单阶段检测器 YOLOv5 的实时人脸检测器，名为 YOLO-FaceV2。我们设计了一个称为 RFE（感受野增强）模块来增强小人脸的感受野，并使用 NWD 损失来弥补 IoU 对微小物体位置偏差的敏感性。对于人脸遮挡问题，我们提出了一个名为 SEAM 的注意力模块，并引入排斥损失来解决。此外，我们使用一个权重函数 Slide 来解决简单和困难样本之间的不平衡，并利用有效感受野的信息设计了锚点。在 WiderFace 数据集上的实验结果表明，我们的人脸检测器在所有的简单、中等和困难子集上均优于 YOLO 及其变体。源码地址：https://github.com/Krasjet-Yu/YOLO-FaceV2

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Slide Loss旨在解决易样本和难样本之间的不平衡问题。该损失函数根据预测框和真实框之间的IoU大小区分易样本和难样本，并通过一个称为Slide的加权函数来赋予难样本更高的权重。Slide函数的设计使得模型能够更好地优化那些处于边界的样本，并更充分地利用这些样本来训练网络，从而提高模型对难样本的关注度。

Slide Loss的公式如下所示：
$$ f(x) = \begin{cases} 1 & x \leq \mu - 0.1 \\ e^{\frac{1-\mu}{x}} & \mu < x < \mu - 0.1 \\ e^{\frac{1-x}{\mu}} & x \geq \mu \end{cases} $$

其中，$x$ 是IoU值，$\mu$ 是阈值参数，用于区分易样本和难样本。

核心代码

```py
import math

class SlideLoss(nn.Module):
    def __init__(self, loss_fcn):
        super(SlideLoss, self).__init__()
        self.loss_fcn = loss_fcn
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'  # required to apply SL to each element

    def forward(self, pred, true, auto_iou=0.5):
        loss = self.loss_fcn(pred, true)
        if auto_iou < 0.2:
            auto_iou = 0.2
        b1 = true <= auto_iou - 0.1
        a1 = 1.0
        b2 = (true > (auto_iou - 0.1)) & (true < auto_iou)
        a2 = math.exp(1.0 - auto_iou)
        b3 = true >= auto_iou
        a3 = torch.exp(-(true - 1.0))
        modulating_weight = a1 * b1 + a2 * b2 + a3 * b3
        loss *= modulating_weight
        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:  # 'none'
            return loss

task与yaml配置

详见：https://blog.csdn.net/shangyanaf/article/details/139483941