【论文分享】YOLOv4: Optimal Speed and Accuracy of Object Detection

举报
小马君 发表于 2020/12/25 11:50:03 2020/12/25
【摘要】 原文链接:https://arxiv.org/abs/2004.109341、背景•目的:设计一种可以满足实际生产运算速度的算法,使用一个传统的GPU就能进行训练跟测试,且可以满足实时性、准确性的要求。•主要贡献:>设计了强大而高效的检测模型,任何人都可以用 1080 Ti 和  2080 Ti训练这个超快而精准的模型。>验证了很多近几年 SOTA 的深度学习目标检测训练技巧。>修改了很多 ...

原文链接:https://arxiv.org/abs/2004.10934

1、背景

目的:设计一种可以满足实际生产运算速度的算法,使用一个传统的GPU就能进行训练跟测试,且可以满足实时性、准确性的要求。
主要贡献
>设计了强大而高效的检测模型,任何人都可以用 1080 Ti 和  2080 Ti训练这个超快而精准的模型
>验证了很多近几年 SOTA 的深度学习目标检测训练技巧
>修改了很多 SOTA 的方法, 让它们对单GPU训练更加高效,例如 CBNCross mini-Batch Normalization),PANPath Aggregation Network),SAMSpatial Attention Module)等。

2、BoFBoS

Bag of freebiesBoF: 增加了训练时间,但是不增加推理时间,可以让模型泛化性能和鲁棒性更好的方法
>数据增强:加噪声、随机缩放、随机裁剪等
>化方法DropOutDropBlock
>平衡正负样本Focal loss
>回归lossGIOUDIOU
>
Bag of specialsBoS: 增加部分推理时间,但是可以显著提高模型性能的方法
>增大感受野Spatial Pyramid Pooling SPP )等
>注意力机制Squeeze-and-Excitation (SE)
>特征融合集成FPN feature pyramid networks)、BiFPN
>更好的激活函数ReLUSwish
>后处理算法NMS
3、模型设计
检测网络跟分类网络比较需要有如下特点
>更高的输入网络规模(分辨率)用于检测多个小型物体
>数更多的感受野用于覆盖尺寸增加的输入网络
>更多参数用于检测在单个图像中不同大小的多个对象
虽然CSPResNext50在分类任务中略胜一筹,但是经过理论的分析跟实验的结果,CSPDarknet53更适合于检测任务
模型改进
目的:为了使模型在单个GPU上训练的更快
>使用数据增强方法 Mosaic (马赛克) 和 自对抗训练(Self Adversarial TrainingSAT
>使用遗传算法选择最优超参数
>修改版本的 SAM,修改版本的PAN和跨批量归一化(Cross mini-Batch Normalization

Mosaic (马赛克
>把四张图片拼接为一张图片,这等于变相的增大了一次训练的图片数量,可以让最小批数量进一步降低,让在单GPU上训练更容易
SAT
>对抗训练(SAT)也是一种新的数据增强方法,它包括两个阶段。第一个阶段中,神经网络更改原始图像;第二阶段中,训练神经网络以正常方式在修改后的图像上执行目标检测任务
CmBN(Cross mini-Batch Normalization)
>CBN 改进版,它仅收集单个批次内 mini-batch 之间的统计数据
SAM 从空间注意力机制(spatial-wise attention)修改为点注意力机制
PAN shortcut连接替换concatenation
模型结构
>CSPDarknet53 backbone+ SPP+PAN path-aggregation block,特征增强模块)+ YoloV3
Yolo V4训练用到的BoFBoS
>BoFCutMix, Mosaic data augmentation, DropBlock regularization, Class label smoothing
>BoSMish activation,SPP-block, SAM-block, PAN path-aggregation block

4、实验结果
5、总结
做了很多近几年的各种技巧的对比实验(具体实验结果没有放上来),非常solid
在提高速度上,进行了一定的创新
主要工作其实是速度与精度的trade off的过程
【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。