最强目标检测算法YOLOv4论文解读
Posted 浩瀚之水_csdn
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了最强目标检测算法YOLOv4论文解读相关的知识,希望对你有一定的参考价值。
本文仅为笔者个人浅显的理解,如各位发现有误的地方欢迎指正。
一、概述
YOLO v4中,作者做了很多实验,把近年比较火的一些方法加入YOLO中,最终取得了速度和精度的提升。通过了解YOLO v4,我们就可以知道最近几年有哪些方法被提出来,整篇论文更像是一篇综述。
YOLO v4中使用的方法
加权残差连接(WRC)跨阶段部分连接(CSP)交叉小批量归一化(CMBN)自动对抗训练(SAT)MISH激活镶嵌数据增强CmBNDROPBOLD正则化CIOU损失目标检测算法比较
通过上图可以看出,在MSCOCO数据集上,YOLO v4和其它比较先进的目标检测算法比较,从速度和精度综合来看,明显优于其它算法。
目标检测器
一阶段、二阶段目标检测器的区别
YOLO v4中Neek使用的是PANet
目标检测主要分为以下三个支系(multi-stage系已被淘汰):
二、Bag of freebies
只增加训练成本,但是能显著提高精度的一些方法
数据增强
光度畸变:调整亮度、对比度、色调、饱和度和噪声几何畸变:随机缩放、剪切、翻转、旋转风格迁移模拟遮挡
随机擦除,填充随机或互补的0值随机或均匀的选择图像中的多个矩形区域,并将其全部替换为0Feature map(特征图上进行数据增强)
DropOutDropConnectDropBlock结合多图像一起进行数据增强
MixUpCutMix图像风格迁移
使用图像风格迁移进行数据增强
BBox
YOLO v4使用了CIoU(Complete-IoU)作为Box回归函数,CIoU可以在BBox回归问题上获得更好的收敛速度和精度。
先计算两个框的最小闭包区域面积Ac(同时包含预测框和真实框的最小框的面积),再计算出IoU,再计算闭包区域中不属于两个框的区域占闭包区域的比重,最后用IoU减去这个比重得到GIoU。
三、Bag of specials
只增加少量预测成本,但是能显著提高精度的一些方法
扩充接收域
SPPASPPRFB注意力机制
Squeeze-and-Excitation(SE) 可让ResNet50在分类任务上提高1%精度,但会增加10%的GPU推理时间Spatial Attention(SAM) 可让ResNet50在分类任务上提高0.5%精度,且不会增加GPU推理时间所以YOLO v4使用了Spatial Attention(SAM)这种方法
特征集成
早期:skip connetion、hyper-column融合不同特征金字塔的轻量级模型:SFAM、ASFF、BiFPN、SFAM激活函数
ReLU解决了tann和sigmoid的梯度消失问题 LReLU,PReLU,ReLU6,SELU,Swish,hard-Swish,Mish,其中Swish和Mish都是连续可微的激活函数
后处理方法
NMSSoft-NMS:解决对象遮挡问题DloU NMS:将中心点距离的信息添加到BBox筛选过程中YOLO v4用到的方法
Mish activation、CSP、MiWRC、SPP-block、SAM、PAN、DloU-MNS
四、网络结构的选择
神经网络用于图像分类的参数
backbone:CSPDarknet53additional module:SPPneck:PANethead:YOLOv3(anchor based)五、比较
各种目标检测模型和YOLOv4比较
欢迎大家加入【人工智能学习圈】参与交流!
原文链接:https://zhuanlan.zhihu.com/p/140964314
以上是关于最强目标检测算法YOLOv4论文解读的主要内容,如果未能解决你的问题,请参考以下文章