YOLOv4改进

YOLOv4改进

1、Mosaic data augmentation（马赛克数据增强）

实现：参考CutMix将四张图像拼成一张进行训练；

2、DropBlock

实现：类似于Dropout，但是从随机选点变成随机选块；

3、Label Smoothing（标签平滑）

作用：解决过拟合的问题，让网络不过于"自信"；

实现：例如将原来的标签（0，1）—> （0.05，0.95）；

结果：使用了标签平滑能够使得同类别更紧密，不同类别间更分离；

4、损失优化

• IOU损失（1-IOU）

  说明：在V3版本中用的位置损失函数；

  存在问题：两个框没有相交则IOU为0无法计算梯度，相同的IOU无法反映不同情况；

  

• GIOU损失

  

  作用：在不重叠的情况下能让预测框尽可能朝真实框靠近；

  存在问题：遇到重叠的情况，GIOU都相同；

  

• DIOU损失

  

  分母为能够覆盖预测框与真实框的最小Box的对角线长度c；

  作用：直接优化距离，速度更快，并且解决GIOU中重叠问题；

  

• CIOU（V4版本中使用的）

  

  位置损失函数需要考虑的因素：重叠面积、中心点距离、长宽比；

  上面公式中的α可以看作一个权重参数；

5、NMS优化

• DIOU-NMS

  

  作用：不仅考虑了IoU值，还考虑了两个Box中心点之间的距离；

• SOFT-NMS

  主要思想：将直接剔除预测框变成对其进行置信度衰减，随后再进行剔除；

6、CSPNet（Cross Stage Partial Network）

实现：每一个block按照特征图的channel维度拆分成两个部分，一部分走正常网络，一部分直接concat到这个block的输出；

7、CBAM（注意力机制）

实现：对每一个通道学习其权重；

当然，学习通道的权重耗时较长，在V4版本中采用SAM，也就是对特征点学习权重；

也就是上图中的下面部分，改进了原始的SAM，提高了效率；

8、PAN（Path Aggregation Network 路径聚合网络）

作用：引入了自底向上的路径，使得底层信息更容易传到顶部；

从上图可知，绿色自底向上采用了一种捷径的方式，只用四步就完成；

在V4版本中，PAN最后一步采用的不是加法，而是拼接；

9、Mish激活函数

作用：相比ReLU激活函数好一些，提升了一点效果，但计算量增加了一点；

10、整体网络架构图