[检测]YOLOv4

论文题目： YOLOv4: Optimal Speed and Accuracy of Object Detection
论文链接：https://arxiv.org/pdf/2004.10934.pdf
论文代码：https://github.com/AlexeyAB/darknet

yolov4 其实相对创新点很少，可以理解为基于各种trick进行的一个grid search，找出最好的组合。下面就简单介绍一下yolov4中用到的trick。如果需要深入了解，每个对应的trick在文中都有论文链接，供大家参考。

---

YOLOv4

Backbone：
      CSPDarkNet53
Neck：
      SPP
      PAN
Head：
      YOLOv3
Tricks（backbone）：
      CutMix
      Mosaic
      DropBlock
      Label Smoothing
Modified（backbone）:
      Mish
      CSP
      MiWRC
Tricks（detector）：
      CIoU
      CMBN
      DropBlock
      Mosaic
      SAT
      Eliminate grid sensitivity
      Multiple Anchor
      Cosine Annealing scheduler
      Random training shape
Modified（detector）：
      Mish
      SPP
      SAM
      PAN
      DIoU-NMS

---

Backbone

CSPDarkNet53

论文链接：CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN

作者研究表明：CSPResNeXt50在分类方面优于CSPDarkNet53，而在检测方面反而表现要差。对于分类而言最好的模型可能并不适合于检测，相反，检测模型需要具有以下特性：

• 更高的输入分辨率，为了更好的检测小目标；
• 更多的层，为了具有更大的感受野；
• 更多的参数，更大的模型可以同时检测不同大小的目标。

选择具有更大感受野、更大参数的模型作为backbone。
CSPResNeXt50仅仅包含16个卷积层，其感受野为425x425，包含20.6M参数；而CSPDarkNet53包含29个卷积层，725x725的感受野，27.6M参数。从理论与实验角度表明：CSPDarkNet53更适合作为检测模型的Backbone。具体CSPNet见CSP部分。

---

Neck

SPP

论文链接：Spatial pyramid pooling in deep convolutional networks for visual recognition

Spatial Pyramid Pooling

yolov3中有一个版本就是yolov3-spp。yolov4在CSPDarkNet53基础上，作者添加了SPP模块，因其可以提升模型的感受野、分离更重要的上下文信息、不会导致模型推理速度的下降；

原始SPP结构：

yolov3+ spp结构：见下图

PAN

论文链接：Path Aggregation Network for Instance Segmentation

作者还采用PANet中的不同backbone级的参数汇聚方法替代FPN。

FPN是自顶向下，将高层的强语义特征传递下来，对整个金字塔进行增强，不过只增强了语义信息，对定位信息没有传递。而PANet在FPN的后面添加一个自底向上的金字塔，这样的操作是对FPN的补充，将低层的强定位特征传递上去。

• 自底向上的路径增强，为了缩短信息传播路径，同时利用低层特征的精准定位信息
• 动态特征池化，每个proposal利用金字塔所有层的特征，为了避免proposal的随意分配，对分类及定位更加有利。
• 全连接层融合，为了给掩码预测增加信息来源

将PAN的short-cut连接改为拼接:

---

Head

YOLOv3

论文链接：YOLOv3: An Incremental Improvement

yolov3+spp结构

spp模块结构

---

Tricks（backbone）

CutMix

论文链接：CutMix: Regularization Strategy to Train Strong Classifiers
with Localizable Features

数据增强：Mixup,Cutout,CutMix

• Mixup:将随机的两张样本按比例混合，分类的结果按比例分配；
• Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；
• CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值，分类结果按一定的比例分配
  
  $\mathbf{M}\in$