YOLO V4 论文阅读与总结

目标检测领域训练技巧

参考论文：《Bag of Freebies for Training Object Detection Neural》

yolo v4 的意义

1. 对调优手段做出了很好的总结

• Bag of freebies
• Bag of specials

2. 创新提出了Mosaic数据增强方法
3. 创新提出了自对抗训练方法
4. 改进SAM，改进PAN，和交叉小批量标准化CmBN，使网络设计适合于有效的训练和检测。

Bag of freebies 离线训练技巧

1. 数据增强

• 增强输入图像的可变性
• 使检测模型具有更高的鲁棒性
  包括：
  A、光照处理：亮度、对比度、色相、饱和度、噪点
  B、几何处理：缩放、裁剪、翻转、旋转

2. 对象遮挡
   

3. 用多图来进行增强

• MixUp 用两张图合成
• CutMix 用不同角度的裁剪区域

4. 用GAN扩充数据

5. 数据分布不均衡
   解决方法：OHEM， S-OHEM，A-Fast-RCNN， Focal loss GHM

6. 类别关联度

7. 目标框回归函数

Bag of specials 推断过程中增加些许成本换来较大的精度提升技巧

1. 增加感受野
   特征金字塔SPP、RFB、ASPP

2. attention
   通道注意力机制SE
   空间注意力机制SAM

3. 特征融合
   skip connection
   Hyper column
   FPN： SFAM、ASFF、BiFPN

4. 激活函数
   Mish 与众多激活函数的对比
   

Mish的优点：

• 以上无边界（即正值可以达到任何高度）避免了由于封顶而导致的饱和。理论上对负值的轻微允许 更好的梯度流，而不是想ReLU中那样的硬零边界。

• 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。

论文创新点

5. 后处理方式
   NMS