YOLO V4论文解读

YOLO V4论文地址

一、YOLOV3回顾

Backbone: darknet53
Anchors boxes
Batch normalization
Multi-scale
取消了pooling层，改用卷积核步长进行上采样
Logistics 代替了 softmax

二、YOLOV4中

作者将很多的新方法融合到一起，具体包括：
Weighted-Residual-Connections
Cross-Stage-Partial-connections
Cross mini- Batch Normalization
Self-adversrial-training
Mish activation
Mosaic data augmentation
DropBlock regularization
CloU loss

AP：代表的是精度
FPS：代表的是检测速度
YOLOV4的精度比YOLOV3提高了很多

Input:图像或者是经过处理的图像
BackBone:特征提取网络
Neek:FPN(yolov3)、PANet(yolov4)

三、Bag of freebies

改变培训策略，或者只会增加培训成本的方法，对测试不影响

数据扩充：

1、光度畸变：调整图像的亮度、对比度、色调、饱和度和噪声
2、几何畸变：加入随机缩放、剪切、翻转和反旋转

模拟对象遮挡：

1、	random erase, CutOut :可以随机的选择图像中的矩形区域，并且填充一个随机的或者是互补的零值
2、	hide-and-seek、grid mask:随机的或者是均匀的选择图像中的多个矩形区域，并将其全部替换成0 

feature map: (在特征图上做增强)
DropOut/DropConnect和DropBlock

结合多幅图像进行数据扩充：

MixUP、 CutMix Style Transfer GAN

CutMix (Mosaic data augmentation)

解决类别不平衡：

hard negative example mining (只适用两阶段)
gnline hard example mining (只适用两阶段)
focal loss

label smoothing

bbox:

1、	loU_ loss
2、	GloU_ loss
3、DIoU_ loss
4、CIoU_ loss(yolov4采用的)

Yolov4-use:

1、CutMix and Mosaic data augmentation. 
2、DropBlock regularization. 
3、Class label smoothing
4、CloU-loss. 
5、CmBN
6、Self-Adversarial Training
7、Eliminate grid sensitivity
8、Using multiple anchors for a single ground truth
9、Cosine annealing scheduler
10、Optimal hyperparameters(通过遗传算法找到最优的参数)
11、Random training shapes。

四、Bag of specials

只会增加少量推理成本单却能显著提高对象检测精度的plugin moduled 和 post-processing methods

1、 enhance receptive field(扩充接受阈): SPP, ASPP, RFB

2、 attention module:

1、	Squeeze-and-Excitation (SE):可以改善resnet50在分类任务上提高1%精度，但是会增加GPU推理时间10%。
2、	Spatial Attention Module (SAM):可以改善resnet50在分类任务上提高0.5%精度，并且不增加GPU推理时间。（yolov4采用）

3、feature integration:（特征集成&#