机器学习36：YOLOV4相关理论知识整理

机器学习36：YOLOV4相关理论知识整理：

        YOLOV4论文：https://blog.csdn.net/Sophia_11/article/details/105726907

        YOLOV4论文翻译：https://blog.csdn.net/qq_34795071/article/details/105734300?fps=1&locationNum=2

        机器之心总结：https://www.jiqizhixin.com/articles/2020-04-24-4

        极市平台总结：https://blog.csdn.net/Extremevision/article/details/105731159

1.图示：

2:最终方案：

（1）CSP Darknet53:

         检测模型需要具有以下特性：

            1）更高的输入分辨率，为了更好的检测小目标；

            2）更多的层，为了具有更大的感受野；

            3）更多的参数，更大的模型可以同时检测不同大小的目标。

         也就是选择具有更大感受野、更大参数的模型作为backbone。下图可以看到：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。这从理论与实验角度表明：CSPDarkNet53更适合作为检测模型的Backbone。

 

（2）SPP：

         https://www.cnblogs.com/zongfa/p/9076311.html

（3）PANet：

         https://www.sohu.com/a/225356135_129720

（4）YOLOv3 Head

（5）CmBN：创新点

（6）多输入加权残差连接（Multi-input weighted residual connections）：

          在bifpn中,提出了多输入加权残差连接以执行按比例的级别重新加权,然后添加不同比例的特征图。

          bifpn论文： https://arxiv.org/pdf/1911.09070.pdf

（7）Mish：

         https://blog.csdn.net/u011984148/article/details/101444274

（8/9）ciouLoss/diouloss：

         https://blog.csdn.net/qq_33270279/article/details/103482085

 

3.训练方法：数据增强：

（1）Mosaic：创新点

（2）cutmix：

         https://blog.csdn.net/weixin_38715903/article/details/103999227#1.几种数据增强的区别%3AMixup%2CCutout%2CCutMix

（3）SAT：创新点

（4）Label Smoothing：

         https://blog.csdn.net/qq_43211132/article/details/100510113

（5）dropblock：

         https://blog.csdn.net/qq_14845119/article/details/85103503

 

4.训练方法：策略：

（1）Cosine annealing scheduler：

         https://blog.csdn.net/CarryLvan/article/details/104394960

         https://blog.csdn.net/zisuina_2/article/details/103250274

 

（2）Random Training Shapes：

         https://blog.csdn.net/qq_33869371/article/details/103076561

         https://www.cnblogs.com/Terrypython/p/10642091.html