TPH-YOLOv5: 基于Transformer预测头的改进YOLOv5用于无人机捕获场景目标检测

        代码链接：GitHub - cv516Buaa/tph-yolov5

        如果进入不了github，就在这里下载，没有权重（免费的）： https://download.csdn.net/download/weixin_44911037/86823848

        这是一篇针对无人机小目标算法比赛后写的论文，无人机捕获场景下的目标检测是近年来的热门课题。由于无人机总是在不同的高度上飞行，目标尺度变化剧烈，给网络优化带来了负担。此外，高速和低空飞行会使密集的物体产生运动模糊，这对目标识别带来了很大的挑战，如下图所示是无人机拍摄的场景，我们可以看出无人机拍摄的图片尺度变化确实非常大。

        在VisDrone2021测试挑战数据集上，提出的TPH-YOLOv5达到39.18% (AP)，比DPNetV3(之前的SOTA方法)高出1.81%。在VisDrone2021 DET挑战赛中，TPH-YOLOv5获得第5名，与第一名相比差距不大。

        这篇文章所做的贡献在于：1、增加了一个检测头，用于更好地检测小目标，这是很多学者解决小目标的基本操作，但是这种操作会给模型行整体增加计算量。2、利用Transformer来更改原来yolov5的检测头，个人认为这部分是这篇比赛论文比较大的创新点，算是把Transformer和CNN结合起来。3、引入CBAM注意力机制模块，这部分算是一个比较常规的操作，毕竟注意力机制在目标检测中的作用还是比较大的，当然要放在合适的地方。4、提供了一些有用的策略，比如说数据增强，例如数据增强，多尺度测试（这种方法在第一定程度会增加最终的mAP）、使用了额外的分类器。5.使用了自训练分类器来提高对一些混淆类别的分类能力（这是针对相似车但是属于不同的类）。

 在这篇文章中，对于最后预测后处理使用集成的方式，我们可以从图中可以看出，他使用WBF和NMS的集成方式，对于WBF我在下图给出解释，相当于另外生成一种加权后的预测框，想了解更深可以看论文：https://arxiv.org/abs/1910.13302，当然具体怎么集成的还是需要看代码才能准确知道，后面有时间再看。

        至于网络模型的具体结构，如上图所示，在特征增强（NECK）中使用了Transfromer 的结构，因为transformer能够获得更大的感受。其实在一部分我还是比较困惑的，就是将3维的特征变成二维再转变成3维的不嫌麻烦吗？又或者这里面的结构数据会不会发生某种变化，当然这是我一直困惑的事情，我后面好好看看代码，看看它的模型结构。具体代码就是下面的。将特征层转成向量再转成特征层。

class TransformerBlock(nn.Module):# Vision Transformer https://arxiv.org/abs/2010.11929def __init__(self, c1, c2, num_heads, num_layers):super().__init__()self.conv = Noneif c1 != c2:self.conv = Conv(c1, c2)self.linear = nn.Linear(c2, c2)  # learnable position embeddingself.tr = nn.Sequential(*(TransformerLayer(c2, num_heads) for _ in range(num_layers)))self.c2 = c2def forward(self, x):if self.conv is not None:x = self.conv(x)b, _, w, h = x.shapep = x.flatten(2).unsqueeze(0).transpose(0, 3).squeeze(3)return self.tr(p + self.linear(p)).unsqueeze(3).transpose(0, 3).reshape(b, self.c2, w, h)

         下面是就是一般的Transformer的编码结构。

        总体来说，这篇文章给我的一些参考意见就是使用Transformer来对小目标检测。

class TransformerLayer(nn.Module):def __init__(self, c, num_heads):super().__init__()self.ln1 = nn.LayerNorm(c)self.q = nn.Linear(c, c, bias=False)self.k = nn.Linear(c, c, bias=False)self.v = nn.Linear(c, c, bias=False)self.ma = nn.MultiheadAttention(embed_dim=c, num_heads=num_heads)self.ln2 = nn.LayerNorm(c)self.fc1 = nn.Linear(c, 4*c, bias=False)self.fc2 = nn.Linear(4*c, c, bias=False)self.dropout = nn.Dropout(0.1)self.act = nn.ReLU(True)def forward(self, x):x_ = self.ln1(x)x = self.dropout(self.ma(self.q(x_), self.k(x_), self.v(x_))[0]) + xx_ = self.ln2(x)x_ = self.fc2(self.dropout(self.act(self.fc1(x_))))x = x + self.dropout(x_)return x