YOLO-V4

目录

贡献

Bag of freebies(BOF) 

YOLOv4

Mosaic data augmentation

Self-adversarial-training(SAT) 

 DropBlock

 ​编辑Label Smoothing

网络结构 

总结 

---

贡献

• 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
• 两大核心方法 ，从数据层面和网络设计层面来进行改善
• 消融实验 ， 感觉能做的都让他给做了 ，这工作量不轻
• 全部实验都是单GPU完成 ，不用太担心设备了

Bag of freebies(BOF) 

• 只增加训练成本 ， 但是能显著提高精度 ， 并不影响推理速度
• 数据增强： 调整亮度、 对比度、 色调、 随机缩放、 剪切、 翻转、 旋转
• 网络正则化的方法： Dropout、 Dropblock等
• 类别不平衡 ， 损失函数设计

YOLOv4

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

•        Random Erase： 用随机值或训练集的平均像素值替换图像的区域
•        Hide and Seek： 根据概率设置随机隐藏一些补丁

 

Self-adversarial-training(SAT) 

通过引入噪音点来增加游戏难度

 

 DropBlock

之前的dropout是随机选择点(b) ， 现在吃掉一个区域

 Label Smoothing

• 神经网络最大的缺点： 自觉不错（过拟合） ， 让它别太自信
• 例如原来标签为（0,1）：

 

使用之后效果分析（右图） ：簇内更紧密 ， 簇间更分离

 

• IOU损失
•  IOU损失： (也经常1-IOU)
• 有哪些问题呢？
• M 没有相交则IOU =0无法梯度计算 ， 相同的IOU却反映不出实际情况到底咋样

•     GIOU损失
•     公式：
•     引入了最小封闭形状C（ C可以把A ， B包含在内）
•     在不重叠情况下能让预测框尽可能朝着真实框前进
•     但是这种情况下又完了。 。 。         

•        GIOU损失
•        公式：
•        引入了最小封闭形状C（ C可以把A ， B包含在内）
•        在不重叠情况下能让预测框尽可能朝着真实框前进
• 
•        但是这种情况下又完了。 。 。         

•    DIOU损失
•    公式： 
•    其中分子计算预测框与真实框的中心点欧式距离d
•   分母是能覆盖预测框与真实框的最小BOX的对角线长度c
• 
•   直接优化距离 ，速度更快 ， 并解决GIOU问题 

• CIOU损失
• 公式：
•       
• 损失函数必须考虑三个几何因素： 重叠面积 ， 中心点距离 ， 长宽比
• M 其中α可以当做权重参数

•  DIOU-NMS
• 之前使用NMS来决定是否删除一个框 ， 现在改用DIOU-NMS
• 公式：                    
• M 不仅考虑了IoU的值,还考虑了两个Box中心点之间的距离
• 其中M表示高置信度候选框 ， Bi就是遍历各个框跟置信度高的重合情况

• SOFT-NMS
• M 做人留一面日好相见 ，柔和一点的NMS ， 更改分数而且直接剔除

• Bag of specials(BOS)
• M 增加稍许推断代价 ， 但可以提高模型精度的方法
• M 网络细节部分加入了很多改进 ， 引入了各种能让特征提取更好的方法
• M 注意力机制 ， 网络细节设计 ，特征金字塔等 ， 你能想到的全有
• M 读折一篇相当于把今年来部分优秀的论文又过了一遍

• SPPNet(Spatial Pyramid Pooling)
• M V3中为了更好满足不同输入大小 ， 训练的时候要改变输入数据的大小
• M SPP其实就是用最大池化来满足最终输入特征一致即可

• CSPNet（ Cross Stage Partial Network）
• 每一个block按照特征图的channel维度拆分成两部分
• 一份正常走网络 ， 另一份直接concat到这个block的输出

•        CBAM
•       
• 就是这个家伙：

• M 其实就是加入了注意力机制 ， 已经很常见了在各种论文中
• 
• V4中用的是SAM ， 也就是空间的注意力机制 
• 不光NLP,语音识别领域在搞attention ， CV中也一样

• YOLOV4中的Spatial attention module
• 一句话概述就是更简单了 ，速度相对能更快一

•        PAN(Path Aggregation Network)
•        故事得先从FPN说起
•        自顶向下的模式 ，将高层特征传下来
•        好像只有一条路子 ， 能不能来个双向的呢？
•        这就得轮到PAN登场了 ， 思想也很简单

       PAN(Path Aggregation Network)

M 引入了自底向上的路径 ， 使得底层信息更容易传到顶部

       并且还是一个捷径 ， 红色的没准走个100层(Resnet) ， 绿色的几层就到了

• PAN(Path Aggregation Network)
• M YOLOV4中并不是加法 ， 而是拼接

• M ish：（也许就是明日之星）
• 别一棒子全给打死 ， 给个改过自新的机会
• Relu有点太绝对了 ， M ish更符合实际
• 公式：f(α)=·tanh(ln(1+ew))
• 但是计算量确实增加了 ，效果会提升一点

网络结构 

总结 

YOLOV4是一种目标检测算法，它使用深度学习技术来实现实时目标检测。它是YOLO（You Only Look Once）系列算法的第四个版本，具有更高的准确性和更快的速度。YOLOV4在计算机视觉领域具有广泛的应用，可以用于车辆识别、行人检测、物体追踪等任务。