图像识别技术与应用①⑥

YOLO系列

 YOLO-V4

V4贡献：

1. 亲民政策 ， 单GPU就能训练的非常好 ， 接下来很多小模块都是这个出发点

2. 两大核心方法 ，从数据层面和网络设计层面来进行改善

3. 消融实验 ， 感觉能做的都让他给做了 ，这工作量不轻

4. 全部实验都是单GPU完成 ，不用太担心设备了

 

Bag of freebies(BOF)：

1. 只增加训练成本 ， 但是能显著提高精度 ， 并不影响推理速度

2. 数据增强： 调整亮度、 对比度、 色调、 随机缩放、 剪切、 翻转、 旋转

3. 网络正则化的方法： Dropout、 Dropblock等

4. 类别不平衡 ， 损失函数设计

 

Mosaic data augmentation： 方法很简单 ，参考CutMix然后四张图像拼接成一张进行训练

数据增强：

1. Random Erase： 用随机值或训练集的平均像素值替换图像的区域

2. Hide and Seek： 根据概率设置随机隐藏一些补丁

DropBlock：之前的dropout是随机选择点(b) ， 现在吃掉一个区域

GIOU损失:(公式) 

 

DIOU损失:(公式)

 

CIOU损失:(公式)

  

 

DIOU-NMS:(公式)

M ish:(公式)

eliminate grid sensitivity:(公式)

 

整体网络架构

今日份学习总结完毕(=^▽^=)