YOLO系列学习——V4

1.改进之处：

    集百家之所长，很多细节之处

2.数据增强方面改进：

BOF:只增加了训练成本，将数据进行处理，但是测试是正常的测试，如：调整图像的对比度、亮度、旋转等等

1.马赛克的数据增强（Mosaic data augmentation）

2.Dropblock:

       之前的dropout是随机的杀死一些选择点，现在的dropblock是吃掉一个区域，增加难度

标签平滑（label Smoothing）:

3.神经网络最大的缺点：过拟合    解决办法

       比如让原来的标签【0，1】变成【0.05，0.95】

使用之后，会使得之后的效果：族内更加紧密，族间更加分离

左图为使用之前，右图为之后，可以看得出分类会更加明确

4.损失函数的选择过程：

 1.GIOU损失：

     引入了一个最下的封闭框C,C可以把A，B包含在内

新的损失函数：

当目标框和检测框越接近，后边的式子就越接近于0，当差的很远iou=0时也能继续训练下去

2.DIOU损失：

  

    其中ρ^2表示的是欧氏距离，整个公式后边的表示：目标框与预测框中心点之间的欧氏距离，

表示的时最小封闭框的对角线的平方,图示如下：

使用DIOU会使得优化的过程更加直接

可以看出区别，使用了DIOU会使得目标框与检测框更加的易于去判断

3.CIOU:

损失函数必须考虑的三个几何因素：重叠面积（IOU）、中心点距离、长宽比

以下的这个新的损失函数就包含了这三点：

5.如何将多余重复的检测框去除：

1.NMS：

       所做的就是，先利用置信度相对较高的框去和其他的框去做IOU,把IOU值较大的这些框（也就是所框选的范围高度相似的框）直接剔除

2.SOFT-NMS：

      会比NMS更加柔和一点，所做的是将IOU值较大的这些框的置信度进行相应的降低

6.对于

BOS(Bag of specials)：

1.输入尺寸统一化

SPPNet:

       ①增大感受野    ②所做的是通过最大池化来满足最终的输入特征一致

2.特征融合增加感受野

CSPNet:

7.加入注意力机制

1.CBAM：

       而YOLOV4只用了SAM，可以从上图中看出，YOLO为了更加的快速，只加入了注意力机制

8.特征融合人

1.PAN:

         PAN中的特征融合是直接数字的相加

2.而YOLOV4做的是：

     继续拼接，通过这些特征图的相同channel进行cat拼接

9.激活函数的改变

1.MISH：

1.公式：

2. 优点:

         使用这个当作损失函数，会使得这个相比于RELU函数，会更加的宽容一些，对于不太好的不会一棒子打死，计算量增加了，但是效果好了，如下图所示，在0的左侧部分会有一部分的值不是直接为0，让其不起作用，而是有一定的容错

10.YOLOV7 的整体的网络：