经典论文解读YOLOv4 目标检测

Posted 2021-11-10 一颗小树x

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了经典论文解读YOLOv4 目标检测相关的知识，希望对你有一定的参考价值。

前言

YOLO是一种目标检测方法，它的输入是整张图片，输出是n个物体的检测信息，可以识别出图中的物体的类别和位置。YOLOv4是在YOLOv3的基础上增加了很多实用的技巧，使得速度与精度都有较大提升。v4版本设计思路如下：

输入端：在模型训练阶段，使用了Mosaic数据增强、cmBN跨小批量标准化、SAT自对抗训练；

BackBone层：也称主干网络，使用CSPDarknet53网络提取特征；同时使用Mish激活函数、Dropblock正则化；CSP 跨阶段部分连接。

Neck中间层：这是在BackBone与最后的Head输出层之间插入的一些层，Yolov4中添加了SPP模块、FPN+PAN结构；也支持“多尺度特征检测”，三种输出特征图分为19*19、38*38、76*76，对应检测大物体、中等物体、小物体。

Head输出层：输出层的锚框机制与YOLOv3相同，其中通过聚类提取先验框尺度，并约束预测边框的位置。主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的DIOU_nms。

论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection

Pytorch-YOLOv4 开源代码：https://github.com/Tianxiaomo/pytorch-YOLOv4

Tensorflow 2-YOLOv4 开源代码：https://github.com/hunglc007/tensorflow-yolov4-tflite

一、网络结构

1.1 输入输出映射

输入一张608*608的图像，CSPDarknet-53 网络后得到了 3 个分支，这些分支在经过SSP+PAN结构最终得到了三个尺寸不一的 feature map，形状分别为 [19, 19, m]、[38, 38, m] 和 [76, 76, m]。

输出的3个特征图中的m是指：先验框个数*（5 + 类别个数）

1.2整体网络结构

整体网络可以分为4部分组成，分别是输入端、BackBone主干网络、Neck连接结构、Prediction Head输出然后预测。先看一下整体的网络结构：

输入端，输入608*608的图像，进行图像预处理；其中Mosaic数据增强，提升模型的训练速度和网络的精度；cmBN及SAT自对抗训练来提升网络的泛化性能。
BackBone主干网络，用于提取图像特征；v4版本使用CSPDarknet53作为主干网络。使用Mish激活函数代替原始的RELU激活函数；增加了Dropblock正则化来进一步提升模型的泛化能力，降低过拟合风险。
Neck连接结构，用于连接BackBone主干网络和 Head输出层，通过设计“Neck连接结构”可以提升特征的多样性及鲁棒性。使用SPP结构，融合不同尺度大小的特征图，解决不同尺寸的特征图如何进入全连接层，对任意尺寸的特征图直接进行固定尺寸的池化，来得到固定数量的特征。使用PAN结构，代替FPN进行参数聚合以适用于不同level的目标检测。
Head输出层，用来完成目标检测结果的输出。用CIOU_Loss来代替Smooth L1 Loss函数，并利用DIOU_nms来代替传统的NMS操作，从而进一步提升算法的检测精度。

基础组件，包括CBM、CBL、Res unit、CSPX、SPP。

1.3 基础组件CBM

CBM，由Conv+BN+Mish激活函数组成。

Conv 是卷积层，用来提取特征；

BN，batch normalization 批归一化：

网络中的位置：在“该层网络输出后”和“激活函数之前”增加一个BN层。

批归一化的处理：对该层网络输出的特征量分别进行归一化处理，分别使每个特征的数据分布变换为均值0，方差1。特征值数范围控制在[0,1]之间。

批归一化的效果：有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数（比如学习率、网络参数的大小范围、激活函数的选择）的敏感性，并且每个batch分别进行归一化的时候，起到了一定的正则化效果，从而能够获得更好的收敛速度和收敛效果。

Mish，是一种激活函数。Mish与ReLU、Swish非常相似，但Mish可以在不同数据集的许多深度网络中胜过它们，Mish公式：

Mish是一个平滑的曲线，平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化；在负值的时候并不是完全截断，允许比较小的负梯度流入。

看看Mish、ReLU、SoftPlus 和 Swish 激活函数的图：

Mish论文地址： https://arxiv.org/pdf/1908.08681.pdf

1.4 基础组件CBL

CBL，由Conv+BN+Leaky_relu激活函数组成。

Conv、BN 上面介绍过了，这里主要介绍Leaky_relu激活函数。公式：

其中a通常会设为0.01。

Leaky_relu与ReLU很相似，仅在输入小于0的部分有差别，ReLU输入小于0的部分值都为0，而Leaky_relu输入小于0的部分，值为负，且有微小的梯度。看看ReLU、Leaky_relu激活函数的图：

Leaky_relu 优点：在反向传播过程中，其输入小于零的部分，也可以计算得到梯度(而不是像ReLU一样值为0)，这样就避免了上述梯度方向锯齿问题。

1.5 基础组件Res unit

Res unit，借鉴ResNet网络中的残差结构，用来构建深层网络，CBM是残差模块中的子模块。

这里主要介绍一下残差结构。

ResNets残差结构解决深度神经网络的“退化”问题。其中退化”指的是，给网络叠加更多的层后，网络深度在增加，性能却快速下降的情况。随着网络深度增加，会出现梯度消失或梯度爆炸。梯度消失会导致梯度变为 0 ；梯度爆炸会导致梯度太大。

在上图中，我们可以观察到 56 层 CNN 在训练和测试数据集上的错误率都高于 20 层 CNN 架构，如果这是过度拟合的结果，那么56层CNN应该中具有更低的“训练错误”，但它也有更高的训练误差。在对错误率进行更多分析后，ResNet作者得出结论，这是由梯度消失/爆炸引起的。

微软研究院的研究人员于 2015 年提出的 ResNet 引入了一种名为 Residual Network 的新架构。

残差块：
为了解决梯度消失/爆炸的问题，该架构引入了残差网络的概念。在这个网络中，我们使用一种称为跳过连接的技术。跳过连接，从几层跳过训练，并直接连接到输出。

添加这种类型的跳过连接的好处是，如果任何层损害了架构的性能，那么它将被正则化跳过。因此，这导致训练非常深的神经网络，而不会出现梯度消失/爆炸引起的问题。

其中输出H(x)，H(x) = F(x) + x。x是输入信息。F(x)是输入信息经过一些层的特征提取得出的结果。

该结构是让网络拟合残差映射，F(x) = H(x) – x。

1.6 基础组件CSPX

CSPX，借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concate组成而成。

首先介绍一下Concate 结构，然后介绍CSPNet网络结构。

Concate，用于将特征联合；是通道数的合并，也就是说描述图像本身的特征增加了，而每一特征下的信息是没有增加。

1.7 基础组件 SPP

SPP，采用1×1、5×5、9×9和13×13的最大池化方式，进行多尺度特征融合。

SPP结构，能融合不同尺度大小的特征图；用来解决不同尺寸的特征图如何进入全连接层，对任意尺寸的特征图直接进行固定尺寸的池化，来得到固定数量的特征。

然后将每个池化得到的特征合起来即得到固定长度的特征个数（特征图的维度是固定的），接着就可以输入到全连接层中进行训练网络了。SPP能增加感受野。

二、输入端

输入端：在模型训练阶段，使用了Mosaic数据增强、cmBN跨小批量标准化、SAT自对抗训练；

2.1 Mosaic数据增强

Mosaic 是一种数据增强方法，将 4 张训练图像组合成1张进行训练。

作用：增强了对正常背景（context）之外的对象的检测。每个 mini-batch 包含大量的图像，使用Mosaic后：是原来 mini-batch 所包含图像数量的 4 倍，因此，减少了估计均值和方差的时需要大mini-batch的要求。

2.2 cmBN跨小批量标准化

BN是仅仅使用“当前迭代时刻的信息”进行归一化，而CBN在计算当前时刻统计量时候会考虑“前k个时刻”统计量，从而实现扩大batch size操作。同时作者指出CBN操作不会引入比较大的内存开销，训练速度不会影响很多，但是训练时候会慢一些。

CmBN是CBN的改进版本，其把大batch内部的4个mini batch当做一个整体，对外隔离。CBN在第t时刻，也会考虑前3个时刻的统计量进行汇合，而CmBN操作不会，不再滑动cross，其仅仅在mini batch内部进行汇合操作，保持BN一个batch更新一次可训练参数。

BN：无论每个batch被分割为多少个mini batch，其算法就是在每个mini batch前向传播后统计当前的BN数据（即每个神经元的期望和方差）并进行归一化，BN数据与其他mini batch的数据无关。

CBN：每次迭代中的BN数据是其之前n次数据与当前数据的和（对非当前batch统计的数据进行了补偿再参与计算），用该累加值对当前的batch进行归一化。好处在于每个batch可以设置较小的size。

CmBN：只在每个Batch内部使用CBN的方法，个人理解如果每个Batch被分割为一个mini batch，则其效果与BN一致；若分割为多个mini batch，则与CBN类似，只是把mini batch当作batch进行计算，其区别在于权重更新时间点不同，同一个batch内权重参数一样，因此计算不需要进行补偿。

2.3 SAT自对抗训练

SAT，全称Self-Adversarial Training，可以理解为自对抗训练；为一种新型数据增强方式。在第一阶段，神经网络改变原始图像而不是网络权值。通过这种方式，神经网络对其自身进行一种对抗式的攻击，改变原始图像，制造图像上没有目标的假象。在第二阶段，训练神经网络对修改后的图像进行正常的目标检测。

SAT论文：https://export.arxiv.org/pdf/1703.08603

使用对抗生成可以改善学习的决策边界中的薄弱环节，提高模型的鲁棒性。因此这种数据增强方式被越来越多的对象检测框架运用。

三、BackBone层

BackBone层也称主干网络，使用CSPDarknet53网络提取特征；同时使用Mish激活函数、Dropblock正则化；CSP 跨阶段部分连接。

3.1 CSPDarknet53

CSPDarknet53是基于Darknet53，借鉴CSPNet，进行了一些改进，使得模型既保证了推理速度和准确率，又减小了模型尺寸。

首先介绍一下CSPNet，全称是Cross Stage Partial Networks，也就是“跨阶段局部网络”。

CSPNet解决了一些大型卷积神经网络框架Backbone中网络优化的“梯度信息重复问题”。它是将梯度的变化从头到尾地集成到特征图中，因此减少了模型的参数量。

CSPNet实际上是基于Densnet的思想，“复制基础层的特征映射图”，通过dense block发送副本到下一个阶段，从而将基础层的特征映射图分离出来。这样可以有效缓解梯度消失问题(通过非常深的网络很难去反推丢失信号) ，支持特征传播，鼓励网络重用特征，从而减少网络参数数量。

CSPNet 主要从网络结构设计的角度解决推理中“计算量大”的问题。CSPNet 的作者认为推理计算过高的问题是由于“网络优化中的梯度信息重复”导致的。因此采用CSP先将基础层的特征映射划分为两部分，然后通过“跨阶段层次结构”将它们合并，在减少了计算量的同时可以保证准确率。CSP 连接如下图所示：

不同类型的特征融合策略： (a) 单路径 DenseNet；(b) 提出的 CSPDenseNet：转换 → 串联 → 转换。

CSPNet论文地址：CSPNet: A New Backbone that can Enhance Learning Capability of CNN

检测效果好需要以下几点：

更大的网络输入分辨率——用于检测小目标
更深的网络层——能够覆盖更大面积的感受野
更多的参数——更好的检测同一图像内不同size的目标

YOLOv4中，选择了具有CSP的darknet53，而是没有选择在imagenet 图像分类上跑分更高的CSPResNext50；因为在目标检测领域的精度来说，CSPDarknet53是要强于 CSPResNext50。

CSPDarknet53 结构就如下图：

3.2 Mish激活函数

Mish，是一种激活函数。Mish与ReLU、Swish非常相似，但Mish可以在不同数据集的许多深度网络中胜过它们，Mish公式：

看看Mish、ReLU、SoftPlus 和 Swish 激活函数的图：

Mish论文地址： https://arxiv.org/pdf/1908.08681.pdf

3.3 Dropblock正则化

正则化技术有助于避免过拟合，对于正则化，已经提出了几种方法，如L1和L2正则化、Dropout、Early Stopping和数据增强。YOLOv4用了DropBlock正则化的方法。

DropBlock，一种解决模型过拟合的正则化方法，它的作用与Dropout基本相同。Dropout的主要思路是随机的使网络中的一些神经元失活，从而形成一个新的网络。Dropout是随机丢弃特征的，它被证明是全连接网络的有效策略，但在特征空间相关的卷积层中效果不佳。

为什么Dropout应用在全连接网络的有效，应用在卷积层中效果不佳呢？

由于卷积层通常是三层结构，即卷积+激活+池化层，池化层本身就是对相邻单元起作用，因而卷积层对于这种随机丢弃并不敏感。除此之外，即使是随机丢弃，卷积层仍然可以从相邻的激活单元学习到相同的信息。

DropBlock是“块的相邻相关区域中”丢弃特征，即：对整个局部区域进行失活（连续的几个位置）。如下图：中间的是Dropout处理效果；右边的是DropBlock处理效果。

这样既可以实现生成更简单模型的目的，又可以在每次训练迭代中引入学习部分网络权值的概念，对权值矩阵进行补偿，从而减少过拟合。

DropBlock论文： https://arxiv.org/pdf/1810.12890.pdf

四、Neck中间层

Neck中间层：这是在BackBone与最后的Head输出层之间插入的一些层，Yolov4中添加了SPP模块、FPN+PAN结构。

4.1 SPP模块

SPP，采用1×1、5×5、9×9和13×13的最大池化方式，进行多尺度特征融合。

4.2 PAN结构

PANet，全称Path Aggregation Network；主要用来融合不同尺寸特征图的特征信息。

下面首先介绍早期深度学习中的结构、DenseNet结构、FPN结构，最后介绍PAN结构。

在早期深度学习中，模型设计相对简单。每一层从前一层获取输入。浅层提取局部纹理和模式信息，建立后续层所需的语义信息。然而，当我们向右移动时，微调预测结果时所需的局部信息可能会丢失。

在后来的深度学习发展中，层之间的互相连接变得越来越复杂。在DenseNet，它走到了极致。每一层都与之前的所有层相连。

后面发展到FPN，其全名是Feature Pyramid Networks，中文称为特征金字塔网络；FPN的预测是在不同特征层独立进行的，即：同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。

作者认为足够低层高分辨的特征对于检测小物体是很有帮助的。

自底向上的过程也称为下采样，feature map尺寸在逐渐减小，同时提取到的特征语义信息逐渐丰富。在下采样过程中，feature map的大小在经过某些层后会改变，而在经过其他一些层的时候不会改变，作者将不改变feature map大小的层归为一个stage，因此每次抽取的特征都是每个stage的最后一个层输出，这样就能构成特征金字塔。

自顶向下的过程也称为上采样（upsampling）进行，而横向连接则是将上采样的结果和自底向上生成的相同大小的feature map进行融合（merge）。其中，1*1的卷积核减少卷积核的个数，也就是减少feature map的个数，并不改变feature map的尺寸大小。

可以看看这篇文章：FPN 用于目标检测的特征金字塔网络

接着发展到了PAN，其全称Path Aggregation Network；主要用来融合不同尺寸特征图的特征信息。先看看下图：FPN是(a)中网络结构，在此基础上增加了自底向上的路径(b)，使低层信息更容易传播到顶层。

在FPN中，局部空间信息在红色箭头处向上传递。虽然图中没有清楚地显示，但红色的路径经过了大约100多个层。PAN引入了 short-cut 路径(绿色通道)，只需要大约10层去顶部的N₅层。这种short-circuit 的概念使得最上层可以获得精确的局部信息。

PANet论文中融合的时候使用的方法是Addition，YOLOv4算法将融合的方法由加法改为Concatenation，即features maps是连接在一起的。如下图：

Neck连接结构小结：

5、Head输出层

Head输出层：输出层的锚框机制与YOLOv3相同，其中通过聚类提取先验框尺度，并约束预测边框的位置。主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的DIOU_nms。

5.1 多尺度特征检测

模型输出3种尺度的张量，19*19*255、38*38*255、72*72*255，这里体现了多尺度特征检测的特点。为什么要输出3种尺度的张量呢？

低层高分辨的特征 对于检测小物体是很有帮助的，低层高分辨的特征对应76*76；（相对于输出608*608图像，做了8倍下采样，感受野较小）

高层抽象的特征 适合检测大物体，高层抽象的特征对应19*19；（相对于输出608*608图像，做了32倍下采样，感受野较大）

38*38 适合检测一般大小的物体，感受野中等大小。

5.2 输出维度含义

模型输出3种尺度的张量，19*19*255、38*38*255、72*72*255。为什么都是输出255维的呢？

一个网格的维度 = 先验框数量 *（坐标x、坐标y、宽度、高度、置信度 + 类别）

即：255= 3 * (5 + 80)

先验框数量 在每个尺度的特征图的每个网格设置3个先验框。即：每种尺度的输出张量，都有互不相同的3个先验框Anchor Boxes；13*13 用来检测大物体，使用3个尺寸较大的先验框；52*52 用来检测小物体，使用3个尺寸较小的先验框；26*26 用来检测一般大小物体，使用3个尺寸中等的先验框。这里一共有9个不同大小的先验框。

先验框维度 先验框中心坐标x、y；框的宽、高；这4个维度用来表达先验框的位置信息；还是框的置信度，是表示框内包含物体的概率。一共5维。

类别如果用COCO数据集训练，一共有80种物体。