YOLOv7速度精度超越其他变体，大神AB发推，网友：还得是你( 二 )

文章图片
在论文研究中，作者还设计了有计划的重新参数化卷积（Plannedre-parameterizedconvolution）。
RepConv在VGG中有比较优异的性能，但当它直接应用于ResNet、DenseNet或者其他架构时，精度会明显降低。
这是因为RepConv中的直连（Identityconnection）破坏了ResNet中的残差和DenseNet中的连接。
因此，论文研究中使用没有直连的RepConv(RepConvN)来设计网络结构。

文章图片
在YOLOv7的标签分配机制中，需要同时考虑网络预测结果与基准，然后将软标签（综合考虑，优化之后的标签）分配到“labelassigner”机制。
那么接下来， “软标签要分配给auxiliaryhead还是leadhead呢？”
论文提出了一种新的标签分配法，如下图中的（d）、（e），基于leadhead预测，生成从粗到细的层次标签，分别用于leadhead和auxiliaryhead的学习。
图(d)让较浅的auxiliaryhead学习leadhead已经学习到的信息，而输leadhead则可以更专注于为学习到的残差信息。
而e图中，会生成两组软标签，即粗标签和细标签。 auxiliaryhead不如leadhead学习能力强，因此要重点优化它的召回率，避免丢失掉需要学习的信息。

文章图片
目前， YOLOv7已官方开源，有兴趣的伙伴可以戳下文链接。
参考链接：
[1]https://twitter.com/alexeyab84/status/1544877675004788739[2]https://arxiv.org/abs/2207.02696[3]https://github.com/WongKinYiu/yolov7/releases—完—
量子位QbitAI·头条号签约