【YOLOv4探讨 之一】 YOLOv4 论文解读和总体认识

1.总体思想

YOLO模型本来就是奔着工业化去的，从v1到v3基本上都是在主体框架上不断的改进。v1是雏形，构建了YOLO的主体设计模型；v2引入标准化和FPN，提高了准确度；v3引入残差结构，大大增加了深度，提升了性能。而到了v4，就是将当前最流行的改善效果的方法来个了大乱炖，同时还保证你在比较“简陋”（一个1080 Ti or 2080 Ti GPU）的条件下能够又快又好向前发展。有了这个思路，我们就要看看YOLOv4这个“佛跳墙”里面增加了什么山珍海味。
论文《YOLOv4: Optimal Speed and Accuracy of Object Detection》摘要中将这些方法称为features，有的feature通用、有的feature专用，然后假设通用的有：加权残差连接(WRC, Weighted-Residual-Connections)，跨阶段局部连接(CSP, Cross-Stage-Partial-connections), 交叉最小下批次归一化(CmBN, Cross mini-BatchNormalization), 自对抗训练(SAT, Self-adversarial-training)和Mish激活(Mish-activation)；接着再兑上Mosaic数据分割DropBlock标准化，CIoU损失函数；最后再挑选一些组合组合，提升了性能。创新点在哪呢？使得YOLOv4可以在使用单个CPU的条件下训练出数据并快速探测目标，保证可速度和精度，扩大了模型的应用场景的范围。作者说YOLOv4主要目标就是设计一个工业用途的快速探测器，并对并行计算进行优化，所有的features都是围绕这个目标。
对于YOLOv4增加的features，光看这一堆名词都有些神经恍惚，加进来的都是啥么？其实也没那么复杂，原始创新就那么多，更多的是组合创新，就是把一些简单的features合并成更加复杂的features，然后使得新的features具备多种优势。由于这个合并的过程中需要解决一些连接组合的小问题，所以各路研究僧们都在施展法术，组合之后，命名一些新的名词，也算自己的成果嘛。
但是真的只是炖了一锅“佛跳墙”那么简单吗？非也，Alexey之所以是一个高级厨师，是因为他能够站在全局的高度进行顶层设计，论文中的目标识别的总体结构图很值得把玩，我已经兴奋的控制不住要展(dao)示(tu)了：