对于YOLO V4的学习和介绍

YOLO V4

网络结构

在论文的3，4章中介绍了YOLO V4的具体结构：

• Backbone：CSPDarknet53
• Neck：SPP，PAN
• HEAD：YOLOv3

CSPDarknet53

相较于YOLOv3，YOLOv4在Darknet53中融入了CSP结构，优点是可以增强CNN的学习能力，移除计算瓶颈，减少显存的使用。

CSP结构的思想是对于输入的特征层，通过两个11的卷积层划分为两部分part 1和part 2。在part 2后通过一系列的block，然后再通过11的卷积层（transition），接着将两个part的信息在通道方向进行Concat拼接，最后再通过1*1的卷积层进一步融合（图中最底层的transition）。

SPP

Spatial Pyramid Pooling(SPP)将输入的特征层依次通过一个池化核大小为55，99，13*13的最大池化下采样层，最后输出的特征层大小和输入的特征层大小包括shape和channel都是相同的，然后将三个模块的输出以及原输入在通道方向进行Concat拼接，这样能够在一定程度上解决目标多尺度问题。

PAN

Path Aggregation Network(PAN) 的结构其实就是在FPN的基础上增加了从底到顶的信息融合。

如上图所示，（a）部分为backbone+FPN模块，将高层的语义信息往低层融合；（b）部分则与FPN相反，将低层的语义信息往高层融合；两部分结合就是PAN。

需要注意的是，如下图所示，（a）为原始论文中的融合方式（相加），而（b）为YOLO V4的融合方式（Concat）将两个特征层在深度方向拼接。

下图便是YOLO V4网络的一个示例图

---

由于YOLO V4网络的结构较复杂，且其中包含了不少模块如CSPDarknet53等，因此其网络结构细节及其相关优化策略仍在学习中，将会对其进行进一步解析。