最强目标检测算法YOLOv4论文解读

本文仅为笔者个人浅显的理解，如各位发现有误的地方欢迎指正。

一、概述

YOLO v4中，作者做了很多实验，把近年比较火的一些方法加入YOLO中，最终取得了速度和精度的提升。通过了解YOLO v4，我们就可以知道最近几年有哪些方法被提出来，整篇论文更像是一篇综述。

YOLO v4中使用的方法

加权残差连接（WRC）跨阶段部分连接（CSP）交叉小批量归一化（CMBN）自动对抗训练（SAT）MISH激活镶嵌数据增强CmBNDROPBOLD正则化CIOU损失目标检测算法比较

通过上图可以看出，在MSCOCO数据集上，YOLO v4和其它比较先进的目标检测算法比较，从速度和精度综合来看，明显优于其它算法。

目标检测器

一阶段、二阶段目标检测器的区别

YOLO v4中Neek使用的是PANet

目标检测主要分为以下三个支系（multi-stage系已被淘汰）：

二、Bag of freebies

只增加训练成本，但是能显著提高精度的一些方法

数据增强

光度畸变：调整亮度、对比度、色调、饱和度和噪声几何畸变：随机缩放、剪切、翻转、旋转风格迁移模拟遮挡

随机擦除，填充随机或互补的0值随机或均匀的选择图像中的多个矩形区域，并将其全部替换为0Feature map（特征图上进行数据增强）

DropOutDropConnectDropBlock结合多图像一起进行数据增强

MixUpCutMix图像风格迁移

使用图像风格迁移进行数据增强

BBox

YOLO v4使用了CIoU(Complete-IoU)作为Box回归函数，CIoU可以在BBox回归问题上获得更好的收敛速度和精度。

先计算两个框的最小闭包区域面积Ac(同时包含预测框和真实框的最小框的面积)，再计算出IoU，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。

三、Bag of specials

只增加少量预测成本，但是能显著提高精度的一些方法

扩充接收域

SPPASPPRFB注意力机制

Squeeze-and-Excitation（SE） 可让ResNet50在分类任务上提高1%精度，但会增加10%的GPU推理时间Spatial Attention（SAM） 可让ResNet50在分类任务上提高0.5%精度，且不会增加GPU推理时间所以YOLO v4使用了Spatial Attention（SAM）这种方法

特征集成

早期：skip connetion、hyper-column融合不同特征金字塔的轻量级模型：SFAM、ASFF、BiFPN、SFAM激活函数

ReLU解决了tann和sigmoid的梯度消失问题 LReLU，PReLU，ReLU6，SELU，Swish，hard-Swish，Mish，其中Swish和Mish都是连续可微的激活函数

后处理方法

NMSSoft-NMS：解决对象遮挡问题DloU NMS：将中心点距离的信息添加到BBox筛选过程中YOLO v4用到的方法

Mish activation、CSP、MiWRC、SPP-block、SAM、PAN、DloU-MNS

四、网络结构的选择

神经网络用于图像分类的参数

backbone：CSPDarknet53additional module：SPPneck：PANethead：YOLOv3（anchor based）五、比较

各种目标检测模型和YOLOv4比较

欢迎大家加入【人工智能学习圈】参与交流！

原文链接:https://zhuanlan.zhihu.com/p/140964314