2021-09-11

Yolov3 对比 Yolov4

1.Mosaic 数据增强

2.Neck 使用了 FPN + PAN 的结构， PAN 区别于PANet中的PAN结构

3.Neck 使用了SPP结构

在SPP论文中，作者发现使用SPP模块 ，比使用K*K的池化操作更加有效地增加主干特征的接收范围，可以显著分离上下文特征，

4.Dropblock

作者从Cutout数据增强方式中得到了启发， 发现在全连接网络中效果较好的Dropout ，在卷积层中的效果并不是那么好，因为卷积神经网络中的卷积、激活、池化中，池化操作依然可以从被丢弃的卷积的周围获取信息。

5. Relu —》 Mish 激活函数

6.Prediction创新,

(1).IOU_loss

• IOU_LOss 会出现两个问题，问题1： 无法优化两个框想离的情况，此时不可导，问题2：如图。

（2）GIOU

(3) DIOU_Loss

我们发现，对于一个好的损失函数，需要可以较好的表示两个框的各种关系。

（4) CIOU

(5) nms对比DIOU_nms

我们发现对于左侧使用Nms的图片，有两个摩托车由于离得太近，导致有一个没有没检测出来 ，而使用DIOU_Nms则可以比较有效的解决遮挡的问题。

总结