原文地址https://arxiv.org/pdf/2107.08430.pdf
相对于YOLOv5，YOLOX主要创新点有如下两点：
- Decoupled head
- Anchor-free
- Decoupled head
为什么称为Decoupled head（解耦头）呢，可以理解成将yolo head将原始的（N，13，13，255）中的255（4（先验框的调整参数）+1（先验框内是否包含物体）+80（先验框的种类））给分离开了。
作者实验发现耦合检测头可能会损害性能。共有两点改进：
①将预测分支解耦极大的改善收敛速度。
②相比较于非解耦的端到端方式，解耦能带来4.2%AP提升。
模型结构：
yolov3中，针对coco80类的检测任务，每一个anchor会对应产生hw85维度的预测结果，其中cls（区分是前景背景）占用1个通道，reg（坐标）占用4个通道，obj（预测是80类中的哪一个类）占用80个通道。
而YOLOX首先使用11卷积将原本不同channel数的特征图先统一到256（主要目的是降维），然后使用两个平行分支，两个分别两个使用33卷积，同时regression分支里还添加了IoU分支。
2. Anchor-free
使用anchor带来的问题
①使用anchor时，为了调优模型，需要对数据聚类分析，确定最优锚点，缺乏泛化性。
②anchor机制增加了检测头复杂度，增加了每幅图像预测数量（针对coco数据集，yolov3使用416416图像推理， 会产生3(1313+2626+52*52）*85=5355个预测结果)。
使用ancho-freer可以减少调整参数数量，减少涉及的使用技巧
从原有一个特征图预测3组anchor减少成只预测1组，直接预测4个值（左上角xy坐标和box高宽）。减少了参数量和GFLOPs，使速度更快，且表现更好。
作者在正样本选择方式做过以下几个尝试：
①只将物体中心点所在的位置认为是正样本，一个gt最多只会有一个正样本。AP达到42.9%。
②Multi positives。（笔者感觉这就是暴力美学，策略简单直接）将中心3*3区域都认为是正样本，即从上述策略每个gt有1个正样本增长到9个正样本。且AP提升到45%，已经超越U版yolov3的44.3%AP。
很简单，之前只考虑中心点所在的网格，这会改成以中心点所在的网格的3x3邻域，都作为正样本，直观上来看，正样本数量增加至9倍。每个grid都去学到目标中心点的偏移量和宽高，此时，显然这个中心点偏移量不再是01了，这一点细节的变化需要留意一下。
③SimOTA
这里不得不提到OTA(Optimal Transport Assignment,Paper: https://arxiv.org/abs/2103.14259)，这里简单解释一下，后续计划出个专栏来解释OTA。在目标检测中，有时候经常会出现一些模棱两可的anchor，如图，即某一个anchor，按照正样本匹配规则，会匹配到两个gt，而retinanet这样基于IoU分配是会把anchor分配给IoU最大的gt，而OTA作者认为，将模糊的anchor分配给任何gt或背景都会对其他gt的梯度造成不利影响，因此，对模糊anchor样本的分配是特殊的，除了局部视图之外还需要其他信息。因此，更好的分配策略应该摆脱对每个gt对象进行最优分配的惯例，而转向全局最优的思想，换句话说，为图像中的所有gt对象找到全局的高置信度分配。（和DeTR中使用使用匈牙利算法一对一分配有点类似）
下面讲述下SimOTA。首先看一个公式：
SimOTA不仅减少训练时间，而且避免额外的参数。
SimOTA将AP从45.0%提升到47.3%。
simOTA流程：
1、确定正样本候选区域。
2、计算anchor与gt的iou。
3、在候选区域内计算cost。
4、使用iou确定每个gt的dynamic_k。
5、为每个gt取cost排名最小的前dynamic_k个anchor作为正样本，其余为负样本。
6、使用正负样本计算loss。
注：作者刚开始使用过无nms的情况，参考FCOS，但是发现会掉点，因此没有采用