YOLO系列文章阅读--yolov4

最新推荐文章于 2023-02-27 21:59:00 发布
最新推荐文章于 2023-02-27 21:59:00 发布
阅读量821 收藏
点赞数
文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_50880364/article/details/127796641
版权
本文详细探讨了YOLOv4目标检测器，介绍了Weighted-Residual-Connections (WRC)、Cross-Stage-Partial-connections (CSP)以及Cross mini-Batch Normalization (CmBN)等技术，强调其在提升模型性能和速度上的贡献。同时，文章还涵盖了数据增强策略如Self-adversarial-training (SAT)，以及在检测器设计上的独特之处，如CSPDarknet53主干网络与SPP模块和PANet的结合使用。
摘要由CSDN通过智能技术生成

Abstract

大概就是说很多trick只会在某些模型或者某个场景效果好加了会让模型效果好，而有些特性，如批处理规范化（BN）和残差连接（residual-connect）。然后这里用了Weighted-Residual-Connections (WRC)加权残差连接,Cross-Stage-Partial-connections (CSP)跨阶段部分连接, Cross mini-Batch Normalization (CmBN)小批处理, Self-adversarial-training (SAT) 自对抗训练and Mish-activation激活.

Introduction

大概就说了，速度快准确，大家都用的起，配置随便搞搞就好了。

Related work

Obeject detection models

其实就是综述一下，现代的检测器通常由两个部分组成，一个是在ImageNet上预先训练的主干网络，一个是用于预测对象的类别和bounding box的回归的头部。对于头部部分，通常分为一步目标检测器和二步目标检测器两种。对于一步二步看下下面的图就知道了。
在这里插入图片描述
近年来，无锚单步目标检测器得到了发展。这类探测器是CenterNet ， cornnet， FCOS等。
近

最低0.47元/天 解锁文章
DouRainBbow
关注
YOLOv8改进 | Neck篇 | 利用Gold-YOLO改进YOLOv8对小目标检测（YOLOv8改进策略）
Snu77的博客
01-05 7689
本文给大家带来的改进机制是Gold-YOLO利用其Neck改进v8的Neck，GoLd-YOLO引入了一种新的机制——信息聚集-分发（Gather-and-Distribute, GD）。这个机制通过全局融合不同层次的特征并将融合后的全局信息注入到各个层级中，从而实现更高效的信息交互和融合。这种方法增强了模型的颈部（neck）信息融合能力(有点类似于长颈鹿的脖子该Neck部分很长)，同时也没有显著增加延迟，提高了模型在检测不同大小物体时的性能，同时欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含
yolov4简单介绍
来杯奶茶
03-07 5430
目标检测器（Object detector）： Input：image,patches,image pyramid,... Backbone：VGG16,ResNet-50,ResNeXt-101,Darknet53... Neek：FPN,PANet,Bi-FPN,... Head： Dense Prediction：RPN,YOLO,SSD,RentinaNet,FCOS,... Sparse Prediction：Faster R-CNN,R-FCN,......
YOLOv4论文阅读
qeqjkqjklq的博客
10-10 236
Optimal：最优的 题目：目标检测中最优的速度和精度 YOLOv4总体上可以划分为两部分，一部分是讲Bag of freebies和Bag of Specials; 另外一部分讲的是YOLOv4的创新点。 SOTA model:state-of-the-art model,并不是特指某个具体的模型,而是指在该项研究任务中,目前最好/最先进的模型。 Bag of Freebies即在不改变模型结构并且不改变损失函数的情况下，不牺牲前向传播时间，将mAP提升近五个点。 Bag-of-Special.
yolov4论文解读
sinat_32512123的博客
02-28 3161
文章目录目的introductionRelated workObject detection modelsBags of freebiesBag of specials 目的 寻找CNN中的通用trick introduction 实时（用一个GPU），训练也只用一个GPU，准确性高。 contributions Related work Object detection models 一个检测器： ①backbone（预训练） ②neck(提取不同阶段的特征) ③head（预测分类与回归） Bags
【论文阅读】YOLOV4论文详解
想当咸鱼的猫
11-29 3871
1. Introduction 本文的贡献如下： 我们开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 TiGPU来训练一个超级快速和准确的目标探测器。 在检测器的训练过程中，我们验证了最先进的Bag-of-Freebies和Bag-of-Specials 我们修改了最先进的方法，使其更有效，更适合于单GPU训练，包括CBN、PAN、SAM等。 2. Related work 2.1 Object detection models 我们对现有的目标检测算法进行了总结，.
Yolo v4相关文章记录
DJames23的博客
04-24 600
Yolo v4相关文章记录 刚刚！YOLOv4重磅推出 YOLOv4来了！COCO 43.5 AP，65FPS！实现速度与精度的最优平衡 大神接棒，YOLOv4来了！ yolov4权重下载： 链接：https://pan.baidu.com/s/11Kmc2KxKP8I0L0W2u4kh4Q 提取码：5mjw ...
YOLO系列文章阅读--yolov1
m0_50880364的博客
10-21 764
yolo论文阅读-yolov1
YOLO系列文章阅读--yolov2
m0_50880364的博客
11-04 296
YOLOv2阅读
YOLO系列文章阅读--yolox
m0_50880364的博客
11-15 908
yolox阅读
YOLOv4论文阅读笔记整理
yunxinan的专栏
07-01 354
YOLOv4论文阅读笔记整理 摘要 作者在YOLOv3基础上使用了 WRC（weighted-Redsidual-Connections）加权残差链接、 CSP（Cross-Stage-Partial-Connections）跨阶部分链接、 CmBN（Cross mini-Batch Normalization） 跨小批量标准化 、 SAT（Self-adversarial-training）自对抗训练、 Mish（Mish-activation ）激活函数、 Mosaic（Mosaic data augm
【经典论文阅读】YOLO-V4论文阅读
三木今天学习了嘛の博客
09-24 2059
本篇是YOLOv4，作者写的非常详细，里面设计的内容很多，作者对每种想法进行验证数据也很多。日后我会一点点把其中不明白的点都学习一下。
YOLOv4目标检测算法——通俗易懂的解析
chase
08-22 6601
YOLOv4目标检测算法——通俗易懂的解析
【YOLO系列】YOLOv4论文超详细解读1（翻译 ＋学习笔记）
最新发布
路人贾的博客
02-27 1万+
YOLOv4论文《YOLOv4：Optimal Speed and Accuracy of Object Detection》超详细精读。看这一篇就够啦！
YOLO 系列论文精读 & YOLOv4
Flying Bulldog 的博客
08-25 2331
YOLO系列的论文已经告一段落，期间也精读了DETR系列的一些论文，颇有感受。YOLOv4更像是一篇总结性的文章，具体描述了整个模型的各个阶段，并对每个阶段的经典算法进行了研究和消融实验，值得我们重新思考神经网络模型的框架。我们提供了一个最先进的探测器，它比所有可用的替代探测器更快( FPS )和更准确的( MS COCO AP50 ... 95和AP50)。所描述的探测器可以在具有8 - 16GB - VRAM的传统GPU上训练和使用，这使得它的广泛应用成为可能。...
YOLOv4论文阅读（附原文翻译）
fengmaomao1991的专栏
10-08 1万+
YOLOv4论文阅读Abstract摘要1.Introduction 引言2.Related work相关工作2.1.Object detection models目标检测模型2.2.Bag of freebies免费礼包2.3.Bag of specials特价礼包 Abstract摘要 There are a huge number of features which are said to improve Convolutional Neural Network (CNN) accuracy. Pra
YOLOv4论文笔记详解
yolov4的博客
05-02 1万+
YOLOv4论文笔记 论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection （Optimal ：最优的） Github上面已经有了一些代码： YOLOv4 的 TensorFlow 2.0 实现：https://github.com/xiao9616/yolo4_tensorflow2 YOLOv4 的 TensorFlow...
YOLO_v4讲解
weixin_43702653的博客
04-19 1万+
YOLO_v4最全讲解
一文看懂YoloV4 | YoloV4最新解读！Yolov4重磅推出！yolov4深入理解！
热门推荐
王博（Kings）的博客
04-24 2万+
刚刚在看论文的时候发现yolov4竟然悄无声息的出现了！！！ 太棒了！！！ https://arxiv.org/abs/2004.10934v1 代码：https://github.com/AlexeyAB/darknet 据说有许多功能可以提高卷积神经网络（CNN）的准确性。 需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。 某些功能仅在某些模型上运行，并且仅在某些...
YOLOv4简述
今天打卡Leetcode了吗
11-03 631
引言   最精确的现代神经网络无法实时运行，需要使用大量的GPU进行大量的mini-batch-size训练。本文通过创建在常规GPU上实时运行的CNN来解决此类问题，并且该训练仅需要一个传统的GPU。   本文的主要目标是在生产系统中设计一个运行速度快的目标探测器，并对并行计算进行优化，而不是设计一个低计算量的理论指标(BFLOP)。   如图1中的YOLOv4结果所示，作者希望任何人使用传统的GPU进行训练和测试，都可以获得实时、高质量和令人信服的目标检测结果。 相关工作   Object detec
MCB-FAH-YOLOv8：钢材表面缺陷检测新算法
文章的核心内容围绕着YOLO（You Only Look Once）系列的最新版本——YOLOv8的改进变体MCB-FAH-YOLOv8展开。YOLO是一种实时的目标检测框架，以其高效和准确的特性在计算机视觉领域广泛使用。YOLOv8在此基础上进行了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值