摘要

作者提出了一种基于 YOLOv5 改进的实时人脸检测模型，称为YOLO-FaceV2。设计了一个感受野增强模块（RFE）来提升小尺度人脸的感受野，并引入了 NWD 损失，以弥补 IoU 在小目标位置偏差上的敏感性。针对人脸遮挡问题，提出了 SEAM 注意力模块，并引入了排斥损失进行优化。此外，作者使用 Slide 加权函数来解决易样本和难样本的不平衡问题，并基于有效感受野信息来设计锚框。为了解决样本不平衡问题，因此本文采用 SlideLoss 损失函数。

SlideLoss介绍

Slide Loss的核心在于处理样本不平衡问题，对检测中的难易样本进行加权。其主要目的是在训练过程中，将更多的关注放在难样本上，让模型对这些样本的学习更为深入，而不过度关注简单样本。
Slide Loss 的设计灵感来源于样本的 IoU 值。它通过设置一个 IoU 的平均值阈值（记为µ），将样本分为易样本和难样本：

• 易样本：IoU 值高于 µ 的样本。
• 难样本：IoU 值低于 µ 的样本。

Slide Loss 的权重设计像“滑梯”形状，对接近阈值 µ 的样本赋予较高权重。其具体操作是：

• 赋予低于阈值的难样本较高的权重，使模型在训练时对这些样本更为关注。
• 逐渐降低对易样本的权重，减少其在梯度更新中的影响。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

下文都是手把手教程，跟着操作即可添加成功