一文总结YOLOv4所列的Bag of specials

YOLOv4

继上次写了一文总结YOLOv4所列的Bag of freebies之后，接下来我们分析一下YOLOv4所列出来的Bag of specials方法。

Bag of specials

Bag of specials，顾名思义，就是“一堆特价包”的意思，在作者看来，就是一些通过增加推理成本，改变网络结构，来提高目标检测精度的方法。

增加感受野

目标检测网络的精度和网络的感受野大小密切相关，感受野过小可能无法识别大尺度物体，从而导致目标检测网络精度下降。

SPPNet

论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
论文地址：https://arxiv.org/pdf/1406.4729.pdf

SPPNet称为空间金字塔池化网络，其思路其实很简单，就是为了让网络能够适应不同尺度的图像输入，避免对图片进行裁剪或者缩放，导致位置信息丢失。
由于卷积层在面对不同尺度的输入图像时，会生成大小不一样的特征图，会对网络的训练带来较大的麻烦，因而SPPNet就通过将卷积层最后一层的池化层替换为金字塔池化层，固定输入的特征向量的大小。

如图所示，金字塔池化层就是固定了池化层的大小和数量，在面对不同尺度的特征图时，也能通过金字塔池化层来固定输出特征向量的大小（图中使用了3个不同大小的池化层，分别是4×4，2×2和1×1，这样每张特征图提取的特征向量长度就是4×4+2×2+1×1=21）

SPPNet论文中详细的训练，整个过程是： 首先通过选择性搜索，对待检测的图片进行搜索出2000个候选窗口。（这一步和R-CNN一样）
特征提取阶段。这一步骤的具体操作如下：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到特征图，然后在特征图中找到各个候选框的区域，再对各个候选框采用空间金字塔池化，提取出固定长度的特征向量。而R-CNN输入的是每个候选框，然后再进入CNN，所有的候选框都要经过CNN提取特征，而SPP-Net只需要一次对整张图片进行特征提取，速度会大大提升。
最后一步，采用SVM算法进行特征向量分类识别。

ASPP

论文：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs
论文地址：http://export.arxiv.org/pdf/1606.00915

在介绍ASPP之间，需要先介绍dilated convolution（空洞卷积），顾名思义，空洞卷积就是通过在卷积核中填充空洞，来增大感受野。