定位分数
Opened this issue · 6 comments
尊敬的作者您好：
我最近学习了您的论文，遇到一点困惑，希望能得到您的解答！
我想问下论文中所指的定位分数在yolox中是如何体现的呢？对应到代码中指的是下面这个损失吗？如果是这样的话，那是不是可以认为置信度起到了定位的作用？
loss_obj = (self.bcewithlog_loss(obj_preds.view(-1, 1), obj_targets)).sum() / num_fg
期待您的回复！
万分感谢！！
您好！
感谢你的关注！！
YOLOX的定位置信度是通过IOUloss计算的，YOLOX本身输出的检测置信度是集成了分类和定位分数的。
您好！ 感谢你的关注！！ YOLOX的定位置信度是通过IOUloss计算的，YOLOX本身输出的检测置信度是集成了分类和定位分数的。
首先特别感谢您的解答！
但是抱歉我还是没有理解清楚，在yolo_head.py文件中，分别包含了cls_preds、obj_preds和reg_preds，cls_preds是对类别的预测，reg_preds是对框的预测，obj_preds是对置信度的预测（框中有多大概率包含物体），还是想请教一下定位分数是体现在哪里呢？
结合您在main.py中的代码，det[4]*det[5]、det[4]和det[5]应该分别代表总的检测分数、obj分数和cls分数，是否意味着obj置信度分数就扮演着定位分数的角色呢？（两者是等价的）
感谢！！
你好！obj_pred是体现定位置信度
YOLO（You Only Look Once）论文中（2.Unified Detection）介绍了confidence，其中obj_preds是Pr（Object）*IOU，如果不存在目标，该项为0，如果存在目标，为预测框和真值的IOU，这体现了定位得分
最后输出的confidence是分类得分与定位得分相乘
所以我们在LG-Track论文中提到YOLO系列的论文，检测置信度集成了分类和定位
你好！obj_pred是体现定位置信度 YOLO（You Only Look Once）论文中（2.Unified Detection）介绍了confidence，其中obj_preds是Pr（Object）*IOU，如果不存在目标，该项为0，如果存在目标，为预测框和真值的IOU，这体现了定位得分
最后输出的confidence是分类得分与定位得分相乘
所以我们在LG-Track论文中提到YOLO系列的论文，检测置信度集成了分类和定位
嗯嗯好的，这里我明白您的意思了，十分感谢！
只是我的问题点在于，yolox实现中并不是像YOLO（You Only Look Once）所描述的以IOU为目标值训练置信度分数，而是将正样本的标签值设为1，负样本的标签值设为0进行训练（只是单纯预测框中有多大概率包含物体），如下所示：
而您在开源的代码中使用了yolox作为检测模型，所以我想请教一下这里obj置信度分数也可以起到定位分数的作用，是这样吗？
你好！
这里是用obj来发挥定位分数作用的。
你好！ 这里是用obj来发挥定位分数作用的。
好的明白啦！感谢！！